dsh-voice-mode

<h1 align="center">dsh-voice-mode</h1> <p align="center">DeepSeek Harness 全双工语音插件 —— 边说边出字 · 按句朗读 · 开口即打断</p>

Full-duplex voice mode for DeepSeek Harness —— 在会话内用语音完成整轮对话：说话时边说边出字、停顿后自动发送；回复按句朗读并跟随实时字幕；朗读中开口即打断。识别在本地推理、无需 API Key；朗读默认 Edge 云端（快且自然），本地 VITS / Kokoro 可选（隐私优先）。兼容 dsh 0.1.1-rc.2 起全版本（含 0.1.7-rc.1 真机验证，完整矩阵见 docs/compat-contract.md §10/§11）。380 项测试全绿（28 套件）；当前版本见上方 npm 徽章与 Releases。

---

💡 它是什么

在 DeepSeek Harness 的会话里，点一下麦克风就能用语音完成整轮对话：

• 🎤 你说 —— 一边说一边实时出字（流式识别），停顿约 1500ms 自动发送；
• 🔊 它答 —— 最终回复按句朗读，全程实时字幕跟随；
• ⏸️ 随时打断 —— AI 还在朗读时开口即打断，你的话直接被听见。

零 API Key：识别在宿主端本地推理（zipformer2 流式 + SenseVoice 定稿）；朗读默认 Edge 云端（快、自然），可选本地 VITS 纯中文 / Kokoro 中英混读（回复文本不出本机，隐私优先）。

---

🤔 为什么值得用（3 个真痛点）

#	痛点	我们的应对
1	字幕看不清 —— 字小、窄屏被输入框挡住	captionFontSize 4 档（12/14/18/24px）+ captionMaxWidth 3 档（50/70/90vw）
2	让位误打断 —— AI 朗读时插一句「嗯/对」就被硬打断	backchannelYield 让位语义：短词自动让位 1.5s，真要说走才硬打断
3	本地 TTS 太机械 —— 一句话读完停顿 3-5 秒	本地 VITS / Kokoro 原生 addon + epoch 队列管理，按句流式朗读、句间无停顿

---

✨ 功能（按用户价值）

1. 🎙️ 识别准 —— SenseVoice 多语种定稿 + ITN（数字/日期/货币自动规范化）
2. 🗣️ 不说错 —— 唤醒词待机、唤醒词前缀语气词白名单（嗯/那个 不再误触）
3. 🤝 让位 —— 让位语义 + 三档打断灵敏度（interruptLevel），外放也能精准打断
4. 💬 有感情 —— 本地 Kokoro 103 音色 + Edge 322 音色，行内可试听；分段朗读不漏句
5. 👁️ 字幕 a11y —— 4 档字号 + 3 档宽度，浅色主题变量跟随 dsh 主题

---

🎬 Demo

上方为当前界面的真实录制（由 screenshots/scripts/capture-demo.mjs 驱动真实链路产出，非 UI 摆拍）；下图为静态总览。

真实录屏脚本见 demos/RECORDING-SCRIPT.md（60s/30s/15s 三段脚本）。
真机截图清单见 screenshots/MANIFEST.md（10 张）。

---

🚀 5 分钟上手（Quick Start）

dsh plugin --profile web add dsh-voice-mode
systemctl restart dsh   # Linux；其他平台重启 dsh 进程

第一次用：

1. 进入任一会话，按 Ctrl+Shift+V（或点输入区麦克风按钮）进入语音模式，状态条显示「聆听中…」；
2. 说一句完整的话（如「帮我看看今天的天气」）→ 实时字幕立即出现，停顿后自动发送；
3. AI 回复开始朗读时，开口说话 → 朗读即刻停止，你的话被听见（这就是 barge-in）。

操作手势

手势	作用
Ctrl+Shift+V	进入 / 退出语音模式
直接说话（toggle）	边说边出字，停顿 1500ms 自动发送；按住 Ctrl 强制立即发送
按住麦克风按钮（hold）	松手发送；短按退出；滑出 / Esc / 失焦放弃本段
点输入框旁模式按钮	在「持续聆听 ⇄ 按住说」间切换（保存到设置）
AI 朗读时开口说话	打断朗读并取消当前回合
点状态条「退出」	退出语音模式
点字幕浮层「跳过」	跳过当前句朗读

---

⚙️ 配置（4 新设置字段 + 3 默认值微调）

设置 → Plugins → 插件配置 → 语音模式（voice-mode）。

4 新设置字段（11 批次周全修复落地）

你想调什么	改哪个键	默认	说明
逆文本归一化	senseITN	true	SenseVoice 数字/日期/货币规范化（默认开，关掉保留原文）
字幕字号	captionFontSize	0	档位 0=12px / 1=14px / 2=18px / 3=24px
字幕宽度	captionMaxWidth	1	档位 0=50vw / 1=70vw / 2=90vw
让位语义	backchannelYield	true	朗读期说「嗯/对」自动让位 1.5s，真要说走硬打断（ADR-0008）

3 默认值微调（批 J）

字段	旧	新	理由
rate	1.0	1.1	Edge 默认略慢，统一提速 10% 改善体验
idleTimeoutMinutes	10	5	空闲退出更灵敏（朗读仍计为活动）
interruptLevel description	旧描述	新描述	明确「3/2/1 帧确认」机制

字段名零变化，旧 ~/.dsh/settings.yaml 100% 兼容。

完整 19 项设置表见 plugin/dsh-voice-mode/README.md。

---

🏛️ 架构（Architecture）

…