dsh-voice

🎤 🔊 dsh-voice

给 DeepSeek Harness 补上声音 —— 让纯文本的 DeepSeek 拥有「耳朵」和「嘴巴」。

English · 中文

---

DeepSeek 的对话 API 是纯文本的——既听不懂音频、也说不出话。dsh-voice 在输入/输出边界把声音桥接成文本，模型全程只看到文本，却获得完整的语音回路：

🎤 语音 → 文本 → DeepSeek（纯文本）→ 文本 → 🔊 语音

和 dsh-vision-bridge 是同一思路（把图片在进模型前转成文本）——只是这次补的是听觉，这块 DeepSeek Harness 的多模态空白还没人填。

✨ 功能

	层级	作用
🎤	语音输入（STT）— Web UI	输入框工具行里的麦克风按钮。点击说话，转写结果通过浏览器 Web Speech API 直接写入输入框。
🔊	朗读（TTS）— Web UI	每条 assistant 回复上的朗读按钮。点击用 speechSynthesis 把这条回答读出来。
📄	voice_transcribe 工具	把附件的音频文件（wav/mp3/m4a/ogg/webm/flac）转成文字，走任意 Whisper 兼容的 /audio/transcriptions 端点。
🗣️	voice_speak 工具	把文本合成语音文件，走任意 OpenAI 兼容的 /audio/speech 端点。

• ✅ Web UI 零 API key —— 纯浏览器语音，开箱即用。
• ✅ 不换模型 —— DeepSeek 仍是纯文本，语音在边缘处理。
• ✅ 后端可配 —— 指向本地 whisper.cpp / Kokoro，即可做到完全免费、免 key。