dsh-voice-input

配置：四条路，从快到好

1. 什么都不配（浏览器引擎） 刷新页面直接点麦克风。Chrome / Edge 会用它自己的在线识别，边说边出字。缺点很实在：它依赖浏览器厂商的服务，中国大陆通常不可用（表现为一直不出字，或状态条报「浏览器识别服务不可达」）。

2. 配一个云端转写接口（推荐） 设置 → 语音输入 → 点「快速填充」里的一颗预设，再粘贴 API Key、保存。预设会一次填好服务类型、API 地址与模型名：

预设	服务类型	API 地址	模型
OpenAI	OpenAI 兼容	https://api.openai.com/v1	whisper-1
硅基流动	OpenAI 兼容	https://api.siliconflow.cn/v1	FunAudioLLM/SenseVoiceSmall
Groq	OpenAI 兼容	https://api.groq.com/openai/v1	whisper-large-v3-turbo
Ollama	Ollama	http://127.0.0.1:11434/v1	由「检测本机模型」填入
本地 whisper.cpp	OpenAI 兼容	http://127.0.0.1:8080/v1	whisper-1

只要服务兼容 OpenAI 的 POST /audio/transcriptions（multipart，file + model），就能直接用；apiBase 填服务根地址，插件在其后拼 /audio/transcriptions。

3. 本机 Ollama（结论：目前转写不了） Ollama 自己路由 POST /v1/audio/transcriptions（已实测：multipart 的 file + model 会进入它的音频管线，不是 404），但它要求模型带音频投影（audio / mmproj），而 Ollama 0.34 的官方模型库里一个都没有。这一点是实际验证过的，不是推测：

实测	结果
ollama pull gemma3n:e2b（Ollama 模型页明确宣传「Audio Data Extraction: Transcribe spoken language」，5.24 GB）	拉下来后 capabilities 只有 ["completion"]，model_info 40 个键里没有任何 audio 键
用 gemma3n:e2b 请求 /v1/audio/transcriptions	400 Multimodal data provided, but model does not support multimodal requests. —— 这个转换连多模态都不支持
用文本模型请求同一接口	500 audio input is not supported - hint: ... provide the mmproj
上游状态	音频输入仍是未合并的提案（ollama#11798、ollama#15243）

插件对这块的处理是：先问清楚，再给出路，而不是把一个 500 丢给用户。它读取 GET /api/tags，对每个模型 POST /api/show 检查 model_info 里有没有 *.audio.* 键（不能只看 capabilities：在这个版本里能听和不能听的模型都只报 completion），逐个标注 可听 / 仅文本 / 未检测，并在上传之前就把结论讲明白。「模型名不存在」和「模型不会听」因此是两条不同的提示，各自带上本机名单。

判定逻辑是对的，坏消息是它判定出的结果是「本机没有能听的模型」，而且现在也拉不到 —— 这正是 gemma3n:e2b 那次 5.24 GB 下载证明的。所以本地转写走第 4 条路。

4. 本地转写（本地推荐 whisper.cpp / faster-whisper） 起一个说 OpenAI 协议的本地转写服务，把「服务类型」留在「OpenAI 兼容」、地址指向它，即可完全离线：

• faster-whisper-server：原生就是 OpenAI 的 /v1/audio/transcriptions，插件直接可用。
• whisper.cpp 的 whisper-server：只有 /inference 一个端点，需要用它的 --request-path / --inference-path 把路径对齐成 /v1/audio/transcriptions（参数名取自它自己的 README；本机没有验证过这条，因为它的 v1.9.4 release 不带 Windows 二进制）。
• 任何其他兼容 OpenAI /audio/transcriptions（multipart，file + model，返回 {text}）的服务都行。

而且你不需要把地址填进去。 没配 apiBase 时，插件会依次探测 127.0.0.1 的 8081 / 8080 / 8000 / 9000 端口（只探本机，永远不碰远端地址），发现 OpenAI 兼容的转写服务就直接用它。设置页的「自动发现本机转写服务」可以关掉。

使用

1. 光标放在输入框（或先打几个字，转写会接在后面）。
2. 点麦克风按钮，或按 Alt+M。
3. 说话。浏览器引擎会把中间结果实时写进输入框；接口引擎在状态条上显示电平和计时。
4. **点状态条上的「完成」**结束录音并转写（也可以再点一次麦克风按钮，或再按一次 Alt+M）。接口引擎此时上传并转写，结束后把文字插入输入框。
5. 想放弃这次录音：点「取消录音」，或按 Esc。

插入规则（追加 模式下）：中文接中文不加空格、中英之间加一个空格、左括号后不加空格 —— 尽量贴近手写习惯。开启「转写完成后自动发送」后，文字落进输入框就会自动发送（插件会等输入框真正提交了新内容再发送，不会把上一次的内容发出去）。