Alan2Z/dsh-speak

让 Agent 在长任务完成时开口告诉你——不用再盯着屏幕等。

dsh-speak 通过系统语音合成把 Agent 的最终回复朗读出来——Windows 上优先使用自然 语音（Windows 11 内置，或 Windows 10 上经 NaturalVoiceSAPIAdapter 注册，如晓晓），macOS 上使用系统自带的 say （可跟随 Siri 自然音色）；没有时优雅回退到系统自带中文语音。本项目为 DeepSeek Harness 而生，但结构上 任何 harness 都能接入。

项目定位：本项目只是为了给想让 harness 开口说话的用户提供一种已经验证过的方案； 没有意外的话，后续不会再更新。

三分钟安装 — DSH

1. 把包装进你的 web profile（二选一）：

   dsh plugin --profile web add dsh-speak
   # 或（没有 pnpm 时）：
   npm install --prefix "$env:USERPROFILE\.dsh\profiles\web" dsh-speak
   

   macOS 上（bash）：

   npm install --prefix "$HOME/.dsh/profiles/web" dsh-speak
   

2. 在 ~/.dsh/profiles/web/cordis.patch.yml 末尾追加：

   - insert:
       - id: speech-hook
         name: 'dsh-speak'
   

3. 重启 DSH web 应用——之后回复就会被朗读出来。

想让 Agent 帮你装？ 把本仓库地址（https://github.com/Alan2Z/dsh-speak） 丢给你的 DSH 会话，让它照着这份 README 安装即可——它读的就是你正在看的这份文档。 只需要同意它对 ~/.dsh（工作区外）的写入审批。

harness 事件（DSH 会话事件 / Claude Code Stop hook / 任意方式）
      │
      ▼  adapters/…  （harness 专属触发器：过滤、节流、取消）
      ▼  engine/speak.ps1 / speak.sh  （与 harness 无关：清洗文本 → SAPI5 / say）
      ▼  🔊 你听到最终回复

特性

• 全自动：DSH web 插件监听会话事件流，自动播报最终回复 （跳过 reasoning/工具调用旁白，合并同一回复的多步消息）。
• 尽力而为：绝不抛错、绝不阻塞 harness、绝不破坏会话。
• 自然语音：Windows 优先使用自然语音——Windows 11 内置语音包，或 Windows 10 上经 NaturalVoiceSAPIAdapter 注册的语音（如晓晓）；macOS 使用系统朗读声音 （新版可跟随 Siri 自然音色）。均回退到任意已安装语音。
• 健壮的文本清洗：去掉会让语音合成静默失败的 markdown/URL/emoji， 并守卫适配器单次朗读的字数上限。
• 引擎可移植：任意进程一行即可朗读： Windows powershell -File speak.ps1 -Text "你好" / macOS ./speak.sh -t "你好"。

前置条件

Windows：

• Windows 10 或 11，任意较新的 PowerShell。
• 自然语音：
  • Windows 11：系统已内置自然语音包，无需额外安装——在 设置 → 辅助功能 → 讲述人 或 设置 → 时间和语言 → 语音 中启用/切换即可。
  • Windows 10：需要安装 NaturalVoiceSAPIAdapter， 并用它的 VoiceDownloader 手动下载你需要的中文或其他语言的自然语音包。
• 没有自然语音时，引擎回退到系统自带语音（如 Huihui）。

macOS：

• macOS（Apple Silicon / Intel 均可），系统自带 say 命令，无需安装任何软件。
• 中文音色见 macOS 一节（含 Siri 自然音色的选择入口与坑）。

快速开始 — DSH

方式 A — npm 插件（推荐）

# 1. 把插件装进你的 web profile（会写入 ~/.dsh/profiles/web/package.json 的 dependencies）
dsh plugin --profile web add dsh-speak

# 2. 在 ~/.dsh/profiles/web/cordis.patch.yml 里注册（npm 包直接用包名，无需 file:/// URL）：
#    - insert:
#        - id: speech-hook
#          name: 'dsh-speak'

# 3. 重启 DSH web 应用 — 之后回复会被自动播报

没有 pnpm？ dsh plugin 内部转发给 pnpm，并非所有机器都装了。可以用 npm 直接完成同样的安装：

npm install --prefix "$env:USERPROFILE\.dsh\profiles\web" dsh-speak

引擎随包分发（node_modules/dsh-speak/engine/），无需额外拷贝。

方式 B — 文件安装（不需要 npm）

# 1. 克隆
git clone https://github.com/Alan2Z/dsh-speak.git
cd dsh-speak

# 2. 一键安装：拷贝引擎 + 插件，并注册到 cordis.patch.yml
powershell.exe -NoProfile -ExecutionPolicy Bypass -File adapters\dsh\install.ps1

# 3. 验证引擎能出声
powershell -NoProfile -ExecutionPolicy Bypass -File "$env:USERPROFILE\.dsh\hooks\speak.ps1" -Text "你好，语音播报已就绪。"

# 4. 重启 DSH web 应用 — 之后回复会被自动播报

文件安装脚本做了这些事：

文件	目标位置
engine/*.ps1	%USERPROFILE%\.dsh\hooks\
adapters/dsh/speech-hook.js	%USERPROFILE%\.dsh\profiles\web\plugins\
注册条目	追加到 %USERPROFILE%\.dsh\profiles\web\cordis.patch.yml（先备份）

macOS

同一套适配层原生支持 macOS——插件自动检测平台，改调 engine/speak.sh （系统自带的 say 命令）而不是 speak.ps1。自 1.2.0 起 macOS 引擎随 npm 包 正式分发，无需安装任何额外软件。

安装（npm 方式，与 Windows 等价）

# 1. 装进你的 web profile（没有 pnpm 也能装——dsh plugin 才依赖 pnpm）
npm install --prefix "$HOME/.dsh/profiles/web" dsh-speak

# 2. 在 ~/.dsh/profiles/web/cordis.patch.yml 末尾注册（裸包名即可，无需 file:/// URL）：
#    - insert:
#        - id: speech-hook
#          name: 'dsh-speak'

# 3. 无需重启——patch 监视器会热更新；纯文字回复约 1.5 秒后自动播报
#    （带工具调用的回复按设计不播报）

装过 pnpm 也可以 dsh plugin --profile web add dsh-speak，效果相同。

音色（重要，有两个坑）

• 默认跟随系统朗读声音（系统设置 → 辅助功能 → 朗读内容 → 系统朗读声音）。 macOS 26 上该选择框旁有个 ⓘ 圆圈图标，点开才是完整音色列表——普通 下拉框里没有 Siri 自然音色；可在 ⓘ 列表里选"普通话 Siri 声音1（男声）"等。
• Siri 声音（设置 → Siri → 声音）与系统朗读声音是两个独立设置；Siri 音色不暴露给 say -v '?'，无法按名选择，只能作为系统默认生效。
• ⚠️ 坑 1（实测复现）：打开"朗读内容 / Siri 声音"设置面板（哪怕不改任何 选项）会把系统朗读声音漂移/重置成经典音色"婷婷(Tingting)"——音色突然变了 就回到 ⓘ 入口重新选择。
• ⚠️ 坑 2：日志在 $TMPDIR/dsh-speech-hook.log（os.tmpdir()，不是 /tmp）。
• 想强制指定音色用 -v Eddy|Flo|Tingting（say -v '?' 列出可用音色）。
• say 没有音量参数——音量跟随系统输出音量。

单独测试引擎（不装 DSH 也行）

curl -sfL -o ~/speak.sh "https://cdn.jsdelivr.net/gh/Alan2Z/dsh-speak@main/engine/speak.sh"
chmod +x ~/speak.sh
~/speak.sh -t "你好，Mac 版语音播报测试"
~/speak.sh -t "测试" -v Eddy -r 200              # 指定音色 + 语速

快速开始 — Claude Code

在 ~/.claude/settings.json 注册 Stop hook：

{
  "hooks": {
    "Stop": [
      {
        "hooks": [
          {
            "type": "command",
            "command": "powershell.exe -NoProfile -ExecutionPolicy Bypass -File C:\\path\\to\\dsh-speak\\adapters\\claude-code\\stop-hook.ps1"
          }
        ]
      }
    ]
  }
}

快速开始 — 其他任何 harness

直接从你的 Agent / 包装脚本 / 工具里调用引擎：

# 播报一句话
powershell -NoProfile -ExecutionPolicy Bypass -File engine\speak.ps1 -Text "构建完成"

# 播报较长总结（阻塞，读完才返回）
powershell -NoProfile -ExecutionPolicy Bypass -File engine\speech-summary.ps1 -Text "…"

# 需要用户注意时（阻塞，适合提问/授权场景）
powershell -NoProfile -ExecutionPolicy Bypass -File engine\speech-prompt.ps1 -Text "请做出选择"

配置

引擎参数（详见 docs/DESIGN.zh-CN.md）：

speak.ps1 -Text "…" -Volume 50 -Rate 1 -MaxChars 300 -LongTextMessage "本次播报内容较长，请自行阅读。"

DSH 插件环境变量：

变量	默认值	含义
DSH_SPEAK_ENGINE	空（自动解析）	引擎路径覆盖；否则按"包内 engine/<平台脚本> → ~/.dsh/hooks/<平台脚本>"顺序解析（Windows speak.ps1 / macOS speak.sh）
DSH_SPEAK_THROTTLE_MS	1500	播报前的合并延迟（毫秒）

排障

现象	原因	解决
完全没有声音、无报错	未启用/安装自然语音	Win11：在 设置 → 讲述人/语音 中启用自然语音；Win10：安装 NaturalVoiceSAPIAdapter 并下载语音包。直接测 speak.ps1
长回复从不播报	适配器单次 Speak 有字数上限	已默认在 300 字处守卫——必要时调低 -MaxChars
含大量 emoji 的文本静默	SAPI 遇到 emoji 会静默失败	引擎已自动剥离
插件加载失败	插件名用了 Windows 原始路径	改用 file:///C:/… URL 形式（安装脚本会自动处理）
macOS：音色突然变成"婷婷"	打开过"朗读内容 / Siri 声音"设置面板导致系统朗读声音漂移	系统设置 → 辅助功能 → 阅读与朗读 → 系统声音 → ⓘ 入口重新选择
macOS：在 /tmp 找不到日志	os.tmpdir() 是 /var/folders/.../T，不是 /tmp	日志在 $TMPDIR/dsh-speech-hook.log

插件诊断日志：Windows %TEMP%\dsh-speech-hook.log；macOS $TMPDIR/dsh-speech-hook.log

仓库结构

engine/                  与 harness 无关的语音引擎（PowerShell + SAPI5 / bash + say）
  speak.ps1 / speak.sh   清洗 + 朗读（适配层唯一需要打交道的接口）
  speech-prompt.ps1      阻塞式短提示播报
  speech-summary.ps1     阻塞式回复总结播报
adapters/
  dsh/                   DSH web 插件 + 一键安装脚本
    speech-hook.js       会话事件触发器（节流 + 工具调用取消）
    install.ps1          拷贝 + 注册 + 备份
  claude-code/
    stop-hook.ps1        Claude Code Stop hook 触发器
docs/
  DESIGN.zh-CN.md        完整设计文档：设计取舍、踩坑记录、扩展指南

编写新适配器

三种参考模式：事件流（DSH）、Stop hook（Claude Code）、Agent 自调用 （在 shell 里调 speech-summary.ps1）。无论哪种，适配器只需做一件事： 拿到最终回复文本 → 调用引擎。详见 docs/DESIGN.zh-CN.md §7 扩展。

License

MIT — 见 LICENSE。