dsh-mobile-voice-call

本地语音配置

默认配置适用于 Windows x64。whisperExecutablePath 和 whisperModelPath 为 auto 时自动安装；也可改为已有的 whisper-cli 与 GGML 模型路径。whisperThreads 控制转写线程数，默认值为 8。

语音合成默认使用 Hojo-TTS-Light 80M，并通过随插件提供的合成参考音频克隆一条偏可爱、略带傲娇感的中文声线。首次启动会在 DSH 缓存目录建立隔离的 Python 3.12 环境，并下载约 348 MB 的模型及 CPU 推理依赖；无需手动配置系统 Python。可通过 hojoReferenceAudioPath 和 hojoReferenceText 使用自己的参考音频与逐字稿，通过 hojoThreads 调整 CPU 线程数，也可用 hojoModelDirectory 或 hojoPythonPath 指向现有环境。Hojo 尚未就绪或合成失败时会回退到 Windows 系统语音。自动下载的模型与官方推理源码均固定版本、体积与 SHA-256 校验。

80M 引擎采用按需加载：启动 DSH 时只准备轻量后备语音，打开“手机通话”面板后才在后台预热 Hojo。模型只在本次 DSH 进程中加载一次，关闭面板不会反复占用初始化时间。朗读前还会移除中英文圆括号及其中内容，避免动作、语气或角色扮演说明被念出；会话中显示的原始回复不受影响。

朗读按句号、问号和感叹号分段。插件每 250 毫秒读取 DSH 原生 assistant/chunk，完整句子一出现便提交合成并开始播放，无需等待整轮回复结束；Hojo 单模型仍按安全队列生成后续句子。Hojo 当前不提供逐帧音频流，因此这里实现的是句级流式播放。回复文字会随对应语音开始播放而显示，默认使用 8 个 CPU 线程。

每次接通会话后，插件只在第一条语音消息前加入一次通话说明，要求后续回复采用自然、简短、适合朗读的表达，并避免自行添加括号动作、角色扮演旁白或舞台说明；连续通话不会重复注入同一段文字。Markdown 清理只发生在本地朗读前，不会改写会话中的原始回复。

[!WARNING] 本功能属于实验性功能，流量经 Cloudflare 中转，临时隧道不提供固定地址或服务等级保证。请勿处理敏感任务，使用后立即撤销链接。