juexiongchen-boop/dsh-voice-input

README 摘要

dsh-voice-input DeepSeek Harness 输入框语音输入插件 —— 单包双面，一行注册。 在 Web GUI 的输入框工具行加入 🎤 按钮：浏览器采集麦克风，经 WebSocket 推送到本地 sherpa-onnx 流式识别 sidecar，边说话边出字，断句后自动追加进输入框草稿。 功能 - 🎤 麦克风按钮（颜色与发送按钮同款主题蓝，录音中切换红色暂停符脉冲） - 输入框上方实时字幕胶囊（ 679EFE 半透明 + 白色暂停符图标） - 断句自动追加进草稿：连续追加、不覆盖、不复活已删内容 - 静音 3 秒且无待提交文字时自动停止录音（权威检测在 sidecar，空断句免疫） - 全本地离线识别：中英双语流式 + 自动标点，CPU 实时（实测 RTF ≈ 0.12） 语音识别方案 层 选型 推理框架 k2-fsa/sherpa-onnx（ONNX Runtime，Apache-2.0） Node 绑定 sherpa-onnx-node （流式 OnlineRecognizer ） 主模型 sherpa-onnx-x-asr-480ms-streaming-zipformer-transducer-zh-en-punct-int8-2026-06-05 —— X-ASR 流式 Zipformer-Transducer， 中英双语 + 自动标点 ，480ms 延迟块，int8 量化约 128MB 备用模型 sherpa-onnx-streaming-zipformer-zh-int8-2025-06-30 （纯中文流式） 音频规格 16kHz 单声道 16-bit PCM（浏览器 getUserMedia 采集，AudioContext 重采样） 断句 sherpa-onnx 内置端点检测（1.2s / 2.4s 静音双规则） 实测性能 CPU 单线程 RTF ≈ 0.12 （8 倍实时）， 首字延迟 ≈ 69ms 为什么不是 Whisper / FunASR / transformers.js ： - 中文准确率：FunASR 官方基准（184 段中文长音频）中 Whisper-large-v3 字错率 20%，Paraformer/SenseVoice 系 8–10%——差 2 倍以上； - FunASR 中文效果强，但需要 Python sidecar，GPU 才能发挥优势； - transformers.js 纯浏览器零后端，但 非流式 （"说完→出字"）且占页面内存； - sherpa-onnx 是唯一同时满足 Node 原生 + 真流式（边说话边出字）+ 中文强 + 全离线 CPU 实时 + Apache-2.0 + 维护极活跃 的选项，与 DSH 的 Node 宿主天然同构。 架构 安装（三步） 1. 部署 side…

分类