dsh-voice-scribe

DSH 专属语音输入插件：点按或按住 Alt 说话、松开/再点按转文字，结果追加到输入框草稿末尾（不覆盖已输入内容）。 Voice input for DeepSeek Harness: tap or hold Alt to talk, get text in the composer.

⚠️ 非官方插件，与 DeepSeek / 深度求索公司无关联。使用前请阅读 SECURITY.md。

安装 Install

官方插件面板（推荐）：dsh 侧边栏 → Plugins → 安装，填入下面任一种 spec——插件管理器同时支持 npm 包名与 GitHub 地址：

dsh-voice-scribe                      # npm 包名
github:PensiveFei/dsh-voice-scribe    # 直接从 GitHub 仓库装（会先做一次 git ls-remote 预检）

命令行：

dsh plugin --profile web add dsh-voice-scribe   # 重启 dsh web 后生效

桌面端（Electron）跑的是与 web 同一套宿主与插件体系（@deepseek-ai/dsh-desktop-host 依赖 dsh-app-boot / dsh-host-webserver / dsh-home-paths），同一个插件包两端通用。

使用 Usage

• 麦克风按钮：输入框右侧 🎤 图标，点击开始说话、再点停止并转写（按钮录音中变红）
• 热键：点输入框 → 按 Alt 开始说话 → 再按 Alt 结束并转写（备选 Alt+空格；设置 → 语音输入 → 热键可选「自定义」，录制任意组合键，如 Ctrl+Shift+V、F9、Alt+Space）
• 按住说话：设置 → 语音输入 → 触发方式 可选「按住说话」——按住热键录音、松开自动转写（麦克风按钮同样支持）；自定义组合键在按住模式下同样生效（松开组合键中的任意一键即结束）
• 实时中间结果：说话时识别文本实时出现在草稿里（浏览器引擎逐字、本地引擎每 3 秒刷新），停止后替换为最终结果
• 录音电平指示：录音中状态条下方显示实时电平条
• 麦克风设备：设置 → 语音输入 → 麦克风设备 可指定用哪一路输入，录音中状态条会显示实际生效的设备名（见下文「麦克风设备」）
• 最长录音时长：本地引擎约 4 分钟、云端 10 分钟，到时长自动停止并转写
• 切窗取消：录音中切到其他窗口自动取消本次录音（Alt+Tab 误触不会留下录音）

识别引擎 Engine（默认「自动」，零配置）

引擎	说明
自动（默认）	本地离线识别优先；不可用时自动回退浏览器识别
本地离线识别	SenseVoice，零配置零 key、音频不出本机；首次使用自动下载模型（约 230MB，国内镜像，只需一次）
浏览器 Web Speech	零配置；依赖 Google/Microsoft 服务（国内 / Edge Stable 可能不可用）
云端 ASR（可选）	服务链：可配置多个 OpenAI 兼容端点按序尝试、失败自动切换；需在设置中配置 API key

浏览器识别依赖外部语音服务（Chrome 在大陆被墙、Edge Stable 有已知回归），故默认以本地识别为主。

云端 ASR 服务链示例：Groq（免费层）→ 硅基流动 SenseVoice → 阿里云百炼，任一失败自动尝试下一个（设置 → 语音输入 → 云端 ASR）。

识别语言 Languages

支持 中文 / English / 粤语 / 日本語 / 한국어（设置 → 语音输入 可选）。本地离线识别自动检测语言；所选语言作用于浏览器与云端识别。

麦克风设备 Microphone

getUserMedia({ audio: true }) 的「默认设备」由浏览器决定，不等于 Windows 的默认设备：Chrome 优先用站点在 chrome://settings/content/microphone 里的选择，没有选择时按它自己 profile 里的设备排序——而排序第一名可能是纯静音的虚拟设备（典型：装过 Steam 之后的 Steam Streaming Microphone）。症状极具误导性：状态条显示「🎙 录音中…」、电平条不动、转写结果为空，看起来像插件坏了。

现在的行为：

• 设置 → 语音输入 → 麦克风设备：可选「系统默认（由浏览器决定）」或指定某一路输入（按浏览器持久化）；指定后以 deviceId: { exact } 精确请求，不再交给浏览器解析；
• 录音中状态条会显示实际生效的设备名（取自 track.label），设置页也会显示「上次录音实际使用的是：…」——设备选错一眼可见；
• 转写为空时，若这一轮采集到的峰值 ≈0，提示会追加「输入电平≈0」，把「录到了静音」和「识别没听清」区分开；
• 选定的设备被拔掉/禁用后会自动回退到系统默认设备并在状态条说明，不会卡在 OverconstrainedError 上；
• 设置页只用 enumerateDevices()，不会为了列设备而打开麦克风（未授权时显示占位名，授权一次后显示真实名称），并跟随蓝牙设备上下线自动刷新列表。

该设置作用于插件自己的录音路径（本地离线识别 / 云端 ASR，以及麦克风按钮在这些引擎下的录音）。浏览器 Web Speech 由浏览器直接采集，插件无法指定其设备——那条路径请改用浏览器的站点麦克风设置，或切换到本地/云端引擎。

排查顺序：

1. 先看设置页里的「实际使用的设备」是不是你想用的那一路，不是就直接选；
2. Chrome 用户再看一眼 chrome://settings/content/microphone（站点级选择优先于系统默认）；
3. Windows 还有按应用的设备策略：设置 → 隐私和安全性 → 麦克风 里给浏览器指定的设备优先于系统默认，且改系统默认无效，需要把该应用的选择清掉；
4. 电平条一动不动 + 提示「输入电平≈0」= 采集端本身就是静音（虚拟声卡、被静音的硬件、被独占占用），不是识别问题。

热词替换表 Hot Words（可选）

把识别错的人名、术语、项目名替换回来：编辑 $DSH_HOME/voice/hot.txt（每行一条，修改后下次转写生效）：

# 字面替换（不区分大小写）：正确词=错误词1|错误词2
DeepSeek=deep seek|迪普西克
王小明=王小铭

# 正则替换（标准 $1 语义；未写 flags 时默认全局替换，写 g/y 则按原样使用）
/老\s*师/老师/
/\{([^}]+)\}/【$1】/
/deep\s*seek/DeepSeek/gi

设置 → 语音输入 页面会显示热词表状态（规则条数 / 文件路径 / 解析错误）。云端与本地离线引擎的转写结果统一应用。

0.5.4 起，服务端热词处理在可终止工作线程中执行，保留现有正则与替换语法； 预算为 2 秒、64 MiB V8 老生代、最多 4 个并发和 1 Mi 字符输出。超时、取消或异常时 保留原始转写，警告只包含原因代码。直接导出的同步工具函数供可信程序调用，API 路由使用有预算的异步入口。

自定义润色提示词（可选）

设置 → 语音输入 → 开启润色后：

…