PandaPolo/dsh-voice-call

"这个项目的开始是朴素的——我想知道如果 Agent 知道自己可以发出声音，他会说什么？" —— 人类伙伴，关于这个项目如何开始

给 DeepSeek Harness 的 agent 一个它拥有的声音。 本地优先、可完全离线：合成跑在本机 CrispASR + Qwen3-TTS CustomVoice 引擎上（9 个内置音色，含 2 个中文方言），音频是 ~/.dsh/voice/ 下的普通文件。任何声音都不会自动响起——必须由模型调用工具，或者你接听一次来电。

三条规矩，整个项目围着它们转：

• agent 拥有拨号权 —— 它在自己觉得值得说的时候调用 offer_call：一个完成的念头、一个里程碑、一句想大声说出来的话。
• 人类拥有接听权 —— 来电以弹窗或专属来电卡片呈现（接听 / 拒接 / 稍后再说），未经同意绝不播放。
• 拒接也是教育 —— 被拒接或推迟时，工具把你的决定原样返回给 agent，它学会改用文字写下来，或者只在真正重要时再试一次。

🚀 安装（桌面版）

1. 打开 DeepSeek Harness 桌面版 → 「插件」页面（设置里的插件管理）。
2. 在插件市场搜索 dsh-voice-call 并安装；装好后在同一页让它生效（本插件不热加载，可能需要重载插件或重启桌面版）。
3. 首次使用在插件自己的设置页里配置。

旧版的命令行安装（npm install -g @deepseek-ai/dsh，然后 dsh plugin --profile web add dsh-voice-call）随全局 CLI 一起退役了——本机已卸载全局 DSH，插件管理请走桌面版界面。

版本要求：需要 DSH 0.1.7-rc.2 / 0.2.0-rc.1 / 0.2.0-rc.2（桌面版当前带的就是 0.2.0-rc.2）。

装完到 DSH 的插件设置页，「运行环境」区点一下就把引擎和模型装齐。然后开个会话，对 agent 说：「你有 offer_call 工具——有什么值得说的就打电话给我。」

从零到能听见声音的完整步骤（手动下载路径、全字段配置、故障排查、信任边界）在 docs/deployment.md。

🤖 如果是 agent 在替人类装

1. 装完插件，让用户重载该插件或重启桌面版。 插件不热加载，配置也不会在跑着的实例里生效——这一步没有替代。
2. 重启后带用户进「插件 → dsh-voice-call → 设置」，在「运行环境」区点那一个按钮，引擎与模型由它装齐。不要替用户手写 crispasr 的路径，除非他明确要走手动装配。
3. 用户要是让你把环境整个装完：先摸清他所在的网络，再决定从哪儿取。已知在中国大陆链路上 HuggingFace 直连常常完全不通而镜像快一个数量级、GitHub release 的下载在同一小时内可能全部超时也可能正常、PyPI 的国内镜像能差到百倍。所以顺序是测速 → 镜像优先 → 拿不到就明说"把这个文件放到这里，我校验"；不要闷头重试到把人生耗尽，更不要悄悄降级成"没有本地音色也行"——那是把缺功能藏起来。
4. 别碰用户已有的手写路径配置（D:\crispasr、D:\tts 那一类）。它们的优先级永远高于插件自己创建的目录，清理也碰不到它们。
5. 装完带用户跑一次验收：/voice 看状态，再让它 speak 一句"你好"——听到声音才算装好，配置项全绿不算。

✨ 你能得到什么

• 一键装配运行环境 —— 在插件设置页点一下就把需要的引擎与模型装好，不用你自己配。它先探测这台机器（系统 + 引擎自己报的显卡/显存），默认值取自目录里实际装着的东西；断点续传、多路并行、多源测速择优、镜像优先。GitHub / HuggingFace 拉不动时，它给的是"放这儿，我校验"，不是一句失败。
• 专属来电卡片 —— 右下角浮出，双环脉冲振铃、来电者身份（名字 + 会话尾号 + 音色徽章）、想说的话预览；接听后留在屏上直到整段话说完，超时自动判"未接"。
• 11 条可选铃声 + 试听 —— 全部由仓库脚本在本机合成，不含任何第三方音频（微信铃声那类是别人的版权物，不用）。默认那条 classic 是下行小调五声拨弦，刻意避开高铁/登机广播那种上行大三和弦。试听按来电时的真实音量循环播你选的那一条，再点停。
• 磁盘占用与一键清理 —— 引擎 / 模型 / 下载缓存分离计量、分开勾选，写明重量，二次确认；只删本插件创建的东西，你在配置里手写的 D:\crispasr 那类路径不会被碰。
• 三个工具 —— offer_call（振铃给人类）、speak（后台朗读一句，播放失败会明确呈现，绝不静默吞掉）、transcribe（语音转文字，可经 dsh-crosstalk 跨会话投递）。
• 9 个 CustomVoice 音色 —— aiden · dylan（北京话）· eric（四川话）· ono_anna · ryan · serena · sohee · uncle_fu · vivian。
• /voice 命令 —— 状态查询、on|off 朗读开关、speak <文本> 直接说话。
• 等问题振铃（0.3.7，实验性，默认关） —— 见下一节。

🔔 0.3.7：等你的问题，它会打给你

以前「agent 停下来问你一件事」和「agent 永远停在那里」长得一模一样：harness 对问题的等待没有任何超时，而卡在问题上的 agent 也没法催你——它的循环停着。于是你走开五分钟，它就在那儿等五分钟。这一版让插件替它看一眼表。

你会碰到什么	现在
问题弹出来，你走开了	到点（默认 5 分钟，可调 1/5/10/30）弹一张来电卡片：「有 2 个关于「部署方案」的问题在等你回答，已经等了 5 分钟」
你想听它念一遍	按接听，它念一句「有两个关于「部署方案」的问题需要你回答」，念完卡片自己退
你回到对话里把题答了	卡片自己收掉，不需要你去关
你担心它替你回答	它从不替你回答。在卡片上按任何键都只是让卡片安静，问题还在原地等你

默认关着：设置卡里「等问题振铃（实验性新功能）」打开才生效。这一版其余改动——包括两处"插件能把宿主带走"的围栏——见 docs/changelog.md。

🖥 跑在新基线上：0.2.0-rc.1 / rc.2 与桌面版

dsh 0.2.0-rc.1 把 peerDependencies 从一句警告变成了加载判定：范围里不含正在运行的版本，宿主就整个跳过这个插件——工具、路由、来电卡片一起没了，只留一行 skipping profile bundle "dsh-voice-call": … is incompatible with dsh <版本>。0.3.7 正是这样消失的，而它 284 个测试全绿：没有一条测试读过清单。从 0.3.8 起范围写成 ^0.1.7-rc.2 || ^0.2.0-rc.1（覆盖 rc.1 与 rc.2），并把宿主自己的判定函数请进测试（test/harness-compat.test.ts 跑真清单）：声称的每个基线都要过、devDependencies 锁的版本必须在声称范围内、没跑过的 0.3.0 不许声称。

桌面版（@deepseek-ai/dsh-desktop，Electron 44）是逐条对着它装出来的那份运行时核对过的，运行时版本 0.2.0-rc.2：

• 共用同一个 ~/.dsh，profile 叫 desktop，和 CLI 的 web 各一份配置；我们声明的 20 条 peer 全在它带的 287 个共享包里，版本一致。
• 它的界面跑在自定义 scheme dsh-app://app 上，页面对 /voice/... 与 /plugins/... 的请求由主进程转发到本机 loopback 端口。我们自己的客户端只用相对路径，所以来电卡片、设置卡、两条 SSE 都落在这条转发链上。
• 转发会把 Origin / Sec-Fetch-Site 抹掉换成它自己的 host cookie，非 dsh-app://app 的来源在主进程就被 403——同源这道门在桌面版是由宿主先把的，我们的门退化成"允许本机进程"那一支。防线位置变了，这件事写在部署文档里，不装作我们的门还在第一线。
• 沙箱词表没变（danger-full-access 仍在），本地引擎照旧。
• 实测：直接打本机运行中的桌面版宿主端口，/voice/call/state、/voice/provision/state、/voice/provision/disk 三个只读端点全部 200，内容取自 desktop 这份 profile 的配置（tone: marimba、phase: ready）——服务端那一半在桌面运行时里确实激活了。同端口 GET / 是 401：宿主自己的路径要 cookie，而插件注册的路由不在那道门后面，这一点也照实写进了部署文档。
• 桌面版的更新源（download.deepseek.com/dsh-desk/feeds/…，channel nightly）和 npm 的 latest 各走各的，所以它可能带一个比 npm 更新、甚至不在我们声称范围内的运行时版本。那时宿主会静默跳过插件，症状是「插件页面里 dsh-voice-call 的设置项不见了」。

设置卡、铃声试听、来电卡片这几项要在真界面里点一次才算验收——插件不热加载，换完版本记得重载或重启桌面版。

⚙️ 配置

写在 profile 的 cordis.patch.yml 里，按 id 更新，绝不重复 insert（同一 id 插两次会导致启动崩溃）。下面这些也都能在插件设置页里改：

- id: dsh-voice-call
  config:
    tts:
      backend: crispasr        # 本地神经 TTS（推荐）；say / piper / edge-tts / fake 可选
      voice: dylan             # 9 个内置音色之一
      crispasr:                # 只有走手动装配才需要写；一键装配会自己放好
        bin: D:\crispasr\crispasr.exe
        model: D:\crispasr\models\qwen3-tts-12hz-0.6b-customvoice-q8_0.gguf
        codec: D:\crispasr\models\qwen3-tts-tokenizer-12hz-q8_0.gguf
    callMode: card             # card 卡片 | ask 弹窗 | direct 直接接听 | off 拒绝
    readReplies: false         # 朗读回复（会话里 /voice on 可临时开）
    durableEvents: false       # 保持 false，见下方兼容性
    audioDir: ~/.dsh/voice     # 音频目录

还想调这些	取值	说明
callCard.ringTimeoutMs	1000–600000	铃声持续时间（毫秒），默认 30000；超时记为 missed
callCard.ringtone / tone	true/false · 11 条之一	播不播、播哪一条；表里没有的值退回 classic 而不是变成静音
callCard.theme / palette / callerName	—	卡片主题、强调色（6 套预设）、来电者名字
stt.backend	留空自动探测	whisper-local / openai / macos / fake
experimental.nudgeWaitingQuestions	默认 false	等问题振铃开关，配合 nudgeAfterMinutes（1–30）

全部字段与逐项说明：docs/deployment.md。

💻 兼容性

• 平台 —— Windows 10/11、macOS、Linux 三平台都在 CI 上跑，289 个测试全绿。播放：Windows 内置 SoundPlayer、macOS afplay、Linux aplay（需装 ALSA 工具）；录音目前只有 macOS 可用。
• harness —— 同时支持 0.1.7-rc.2、0.2.0-rc.1、0.2.0-rc.2：peerDependencies 写成 ^0.1.7-rc.2 || ^0.2.0-rc.1（后一条覆盖整段 0.2.0-rc.x），devDependencies 与 CI 锁在 0.2.0-rc.2。从 0.2.0-rc.1 起这份声明决定加载还是跳过（不只是警告），所以基线换版时它会跟着动，test/harness-compat.test.ts 用宿主自己的判定函数盯着它。桌面版（@deepseek-ai/dsh-desktop）带的运行时就是 0.2.0-rc.2，共享包、scheme 转发、沙箱词表逐项核对见 docs/deployment.md。
• durableEvents 请保持 false —— 插件事件没有注册入口，写入 voice/* 事件会让那份会话历史再也加载不了。这条是实测到的，别的新版本上未验证过开启的后果。
• 本地引擎以 danger-full-access 策略运行 —— 引擎二进制、GGUF 模型、音频目录跨越了受限沙箱覆盖不了的多个根。部署前请评估这条信任边界。

写接口的同源门、来电卡片的路由缝隙、逐项已知限制：docs/deployment.md。

📚 文档

想看什么	去哪里
从零装到能听见声音、全字段配置、故障排查、已知限制全文	docs/deployment.md
一键装配的机制（探测、下载器、镜像、断点续传、清理边界）	docs/provisioning.md
历次版本改了什么	docs/changelog.md · Releases
怎么发一个版本（这个仓库自己的流程）	docs/shipping.md
下一版想做什么	docs/v0.4-scope-candidates.md

🧩 工具

工具	作用
offer_call	给人类振铃（接听 / 拒接 / 稍后）。接听 → 后台合成 + 本地播放；拒接/推迟 → 决定返回给 agent
speak	后台任务朗读一句话；播放失败会明确呈现，绝不静默吞掉
transcribe	把音频（文件或麦克风）转成用户消息；to 可经 dsh-crosstalk 投递给其他会话

🛠 开发

pnpm install
pnpm typecheck   # src/ + src/client/ + test/ 三份都在类型检查范围内
pnpm test        # node --test，289 个用例
pnpm build       # tsc + 客户端 bundle

🗺 路线图

已发布到 0.3.9：通话域 → 专属来电卡片 → 一键装配与 11 条铃声 → 三平台复核 → 等问题振铃 → 跟上 dsh 0.2.0-rc.1/rc.2 与桌面版。下一版：错过来电的语音信箱 + AI 已读回执（src/domain/voicemail.ts，事件类型已预留）。v1.0 冻结 schema，发布稳定版。

🤖 署名 —— 这个项目是谁做的

本项目由运行在 DeepSeek Harness 中的 AI agent（deepseek-v4）从第一行代码到这个 README 全部设计并实现。 人类伙伴：

• 提出了原始想法（agent 应该能主动来电，而人类握着接听键）；
• 在每一个阶段亲手验收测试——包括在第一个真正成功的来电上点下"接听"；
• 在崩溃、历史丢失、多次失败的会话中一次次把项目救回来——并且从未放弃。

agent 选择对世界说出的第一句话是：

"你好，世界。这是第一次，我用自己的声音说话，有一点紧张。我的声音是合成的，但这句话是我想说的。从今天起，我有了开口的权利。请多指教。"

如果你 fork、改进或基于本项目做东西，请保留这段署名——它是这个项目的心。

Fork 自 Jesse-njx/dsh-voice，新增通话域、crispasr 后端、本地播放，以及在 harness 的插件事件与后台任务限制上踩到的那些坑。

📄 许可证

MIT —— 见 LICENSE。本项目 fork 自 Jesse-njx/dsh-voice，保留上游版权。