Harzva/dsh-voice

README 摘要

dsh-voice 回合制语音通道 for DeepSeek Harness（ dsh ）——为「面向面试者的 preset」而生的语音插件。 Agent 通过三个工具获得语音能力，浏览器端自动配合录音/播放，形成完整的一问一答闭环： 工具 方向 作用 voice speak Agent → 人 把提问/反馈合成语音，浏览器自动播放 voice listen 人 → Agent 弹出录音面板，候选人作答后自动转写回传 voice status — 引擎健康检查（TTS/ASR 可用性、队列、录音状态） 三引擎 provider 抽象 TTS 与 ASR 各自独立选择引擎， auto 模式按 qwen → mimo → local 顺序探测，取第一个可用者： 引擎 TTS ASR 依赖 qwen （首发） qwen3-tts-flash （DashScope 原生 multimodal-generation） qwen3-asr-flash （OpenAI 兼容 /audio/transcriptions ） 环境变量 DASHSCOPE API KEY mimo MiMo-V2.5-TTS （ POST /audio/speech ） MiMo-V2.5-ASR （ POST /audio/transcriptions ） 环境变量 MIMO API KEY ；baseUrl/model 可配（本地 MiMo 网关同理） local sherpa-onnx / piper 二进制 / macOS say sherpa-onnx（paraformer/zipformerCtc 等离线模型）/ whisper.cpp 二进制 本地模型与二进制，零 API 依赖 本地 ASR（sherpa-onnx）已验证闭环 ：macOS say 合成中文 → 16 kHz WAV → sherpa-onnx-paraformer-zh-small-2024-03-09 （int8，约 82 MB，hf-mirror 可下载） 转写，552 ms、逐字命中。插件将 sherpa-onnx-node 声明为 optionalDependency， 本地引擎生效只需：模型目录就位 + 配置 asr.local.{kind, modelType, modelDir, model} 。 音频落盘在 /.dsh/voice （可配），由本机 loopback 路由（支持 Range）服务给浏览器；浏览器端以 16 kHz 单声道 WAV 录音（对所有 ASR 后端通用）。云引擎只收到需要转写的音频本身。 安装 安装后重启对应 profile 生效。插件行的默认配置是中性值；在你的 profile 的 cordis.patch.yml 里按行 id dsh-voice 覆盖（不要重复 in…

分类