Web UI 语音输入:输入框旁麦克风按钮语音转文字填入输入框;支持浏览器 Web Speech API 本地识别(零配置、无需密钥)与 OpenAI 兼容 Whisper API(OpenAI/Groq),模型与语言可在设置中选择。
安装
# Release 预构建包
dsh plugin --profile web add "https://github.com/baisama-cloud/dsh-stt-input/releases/download/v0.1.0/dsh-stt-input-0.1.0.tgz"
# GitHub 源码(首次需按提示配置 allowBuilds 构建授权后重试)
dsh plugin --profile web add github:baisama-cloud/dsh-stt-input
装任何插件都等于在你的机器上跑第三方代码,权限和你本人一样大——能读你的文件、用你的凭据、访问网络,工具审批管不到它。GitHub 来源的插件还会在安装时执行构建脚本——pnpm 默认拦截,所以安装可能停在 ERR_PNPM_GIT_DEP_PREPARE_NOT_ALLOWED 或 ERR_PNPM_IGNORED_BUILDS;dsh 会打印出需要添加的确切键名,把它加进该 profile 的 pnpm-workspace.yaml 的 allowBuilds 下,重跑一次即可装上。放行构建本身就是一次信任判断:请只安装可信来源,并尽量锁定 commit(github:owner/repo#sha)。
README
中文 · English
dsh-stt-input
DeepSeek Harness (DSH) Web GUI 的语音输入插件。
点击输入框旁的 🎤 麦克风按钮开始说话,再点一次停止,识别文字自动填入输入框。 识别引擎与模型可在 设置 → 语音输入 中选择。
功能
- 两种识别引擎
- 浏览器本地识别 — 使用浏览器自带的 Web Speech API(
SpeechRecognition, Chrome/Edge)。零配置、无需 API Key,边说边把中间结果写进输入框。 - API 识别 — 用
MediaRecorder录音,通过任意 OpenAI 兼容/v1/audio/transcriptions接口(OpenAI、Groq、自定义)转写。
- 浏览器本地识别 — 使用浏览器自带的 Web Speech API(
- 模型可选 —
whisper-1(OpenAI)、whisper-large-v3、whisper-large-v3-turbo、distil-whisper-large-v3-en(Groq),或自定义模型名。 - 可配置 — 服务预设(OpenAI / Groq / 自定义)、API Base URL、API Key、 识别语言、写入方式(追加到输入框 / 替换输入框内容)。
- 实时状态条 — 输入框下方显示录音计时、识别中状态与错误信息。
- 隐私 — API Key 仅保存在页面内存中,不落盘、不打日志;非密钥配置通过
localStorage在刷新后保留。
安装
打包 tarball 后安装到你的 DSH web profile(与其他 dsh-* 插件一致):
pnpm pack
# 把 dsh-stt-input-*.tgz 复制到 web profile 并添加依赖,
# 例如在 ~/.dsh/profiles/web 下:pnpm add ../path/to/dsh-stt-input-0.1.0.tgz
# 然后重启 `dsh web`。
插件注册了三个界面位:
- 输入框工具行的麦克风按钮(
conversation.input.left) - 输入框下方的状态条(
conversation.composer.dock) - 设置页(
settings.section→ 语音输入)
使用
- 打开 设置 → 语音输入 选择引擎。
- 浏览器本地识别:无需其他配置(Chrome/Edge)。
- API 识别:选择预设(OpenAI 或 Groq)、模型,并粘贴 API Key。
Groq 的
whisper-large-v3目前免费。
- 点击输入框旁的 🎤 开始录音,说话,再点一次停止。识别文字进入输入框,回车发送。
浏览器本地引擎依赖 Chrome/Edge 的 Web Speech API;Firefox 请使用 API 引擎。
工作原理
┌──────────┐ 点击🎤 ┌───────────────┐
│ 客户端 │ ─────────────▶ │ MediaRecorder │ (api 引擎)
│ (浏览器) │ │ SpeechRecog. │ (browser 引擎)
└──────────┘ └──────┬────────┘
▲ ▼
│ setDraft(text) base64 音频 (JSON)
│ POST /stt-input/transcribe
│ │
┌─────┴──────┐ ┌───────▼────────┐
│ 输入框 │ ◀──────────│ Host (Node) │
└────────────┘ {ok,text} │ fetch → /v1/ │
│ audio/transcr.│
└────────────────┘
客户端(lib/client.js)录音后把 base64 JSON POST 到宿主路由
/stt-input/transcribe;宿主(lib/index.js)解码音频并以
multipart/form-data 上传到 ${baseUrl}/v1/audio/transcriptions
(使用 Node ≥ 18 的全局 fetch / FormData / Blob)。
License
MIT
链接
同类插件
Yuuyuko-uu/dsh-tts-bridge★ 254
用 DeepSeek 网页端自带的朗读,把 DSH 里的对话念出来,靠一个小浏览器扩展驱动。
Fishsb/dsh-voice-prompt-enhancer★ 127
把输入框草稿改写为更清晰、结构化的提示词(5 模式·模型回退链·可选多轮记忆),并为 DSH 语音输入加上说完自动停、热键与口水词清理;识别仍由官方 speechToText 提供,插件不自带引擎。
PolinniZhong/dsh-omi-voice★ 75
DeepSeek Harness 对话内朗读:点一下即可朗读、暂停、继续 AI 回复,豆包 TTS 自然音色(BYOK),只读最终回答并过滤代码、表格与图形,本地引擎,插件零 Key。
ppy-web/dsh-plugin-xiaomi-mimo-tts★ 58
为 DSH 提供小米 MiMo、豆包、Breeze 和浏览器语音,支持接入外部供应商与本地模型、文本过滤、实时流式朗读、音频下载、音效、桌宠及 QQ Bot、AI Passport 联动。
1624318455/dsh-plugin-tts★ 57
用免费 Edge TTS 或你自己的 RVC 音色朗读 AI 回复:消息朗读与自动朗读、长文自适应分块渐进播放(无缝衔接)、音色包仓库一键安装、便携 RVC 运行时。
beiyege-01/dsh-voice-ai-girlfriend-plugin★ 55
Web UI 语音 AI 女友:FunASR 麦克风语音输入、Qwen3-TTS 语音回复、数字人动画窗、QQ 双向聊天(文本/语音/图片推送,经 NapCat)。
社区评论
评论公开保存在 GitHub Discussions。加载评论会连接 GitHub 和 Giscus;发表内容需要 GitHub 账号。