Vision, Sprache & Multimodal

Ein `describe_image`-Vision-Tool für rein textbasierte Modelle: Bilder (lokaler Pfad, URL, Anhang) werden an einen konfigurierbaren, OpenAI-kompatiblen Vision-Endpunkt gesendet, und nur der zurückgegebene Text gelangt in die Sitzung.

iPolloWork HyperFrames Video Studio und 27 bearbeitbare Videovorlagen als native Konversationsansicht für DeepSeek Harness.

Vision-Brücke für reine Textmodelle: Bild einfügen, strukturierte JSON-Belege erhalten (OCR, Layout, Semantik).

Kostenlose Vision für reine Textagenten: integrierte, schlüssellose Vision-Chain plus Pixel-Tools (Q&A, Grounding, Zuschneiden, Pixel-Diff, Farben, OCR, SVG-Trace, Freistellen, Screenshots); Bild einfügen zur Nutzung.

Vision für reine Textmodelle: Fügen Sie ein Bild ein und das Modell wechselt zur Vision-Toolkit-Variante für Bild-Q&A, Mehrbildvergleich, Lang-Screenshot-OCR, Screenshot-zu-UI-Reproduktion, Element-Grounding und Pixel-Diff. Standardmäßig kein API-Key erforderlich — Bilder werden vom kostenlosen, vom Autor gehosteten Dienst verarbeitet, 100 pro Maschine pro Tag; konfigurierbar auf Ihren eigenen Anbieter.

TongFlow-Studio-Plugin für DeepSeek Harness (dsh): Filmcrew-artiges Projektmodell, vom Agent erstellte TongFlow-Workflows, deterministische Medienerstellung, eingebettete Canvas.

Native konversationelle Bildgenerierung für DeepSeek Harness: Bitten Sie den Agenten, ein Bild zu erstellen, und er übernimmt die Generierung und behält das Ergebnis direkt in der Konversation.

Die Funktionen von DeepWatch, installierbar in ein bestehendes DeepSeek Harness-Profil

KI-Bildgenerierung für die DSH-Web-GUI: Text-zu-Bild und Bild-zu-Bild über einen konfigurierbaren OpenAI-kompatiblen Endpunkt (gpt-image-2 / gpt-image-1 / dall-e-3), mit einer api_url/api_key-Einstellungskarte und einem geteilten Generierungsstudio in der Seitenleiste.

Steuern Sie einen lokalen oder Remote-ComfyUI-Server aus DeepSeek Harness: Die Tools comfyui_run / comfyui_object_info / comfyui_workflow erzeugen und bearbeiten Bilder und Videos, mit einer Workflow-Bibliothek (Graph-Extraktion: pro Komponente / Hauptfluss / alle), einem Ladebereich mit automatischer Auflösungsanpassung, einer Live-Warteschlange, SDXL- und Wan-2.1-Vorlagen, einem Begleit-Skill und einem Media-Proxy gleicher Herkunft.

Vorlesen im Chat für DeepSeek Harness: per Tipp AI-Antworten vorlesen, pausieren und fortsetzen mit natürlichen Doubao-TTS-Stimmen (BYOK); liest nur die endgültige Antwort, Code, Tabellen und Diagramme werden ausgefiltert; lokale Engine, das Plugin speichert keinen API-Schlüssel.

🎬KI-Regisseur: MiniMax-H3-Videogenerierungs-Plugin unter der Regie von DeepSeek-Harness. 🤖Mehr als Prompts. 🪄Canvas-UI.

Design-Treue-QA für textbasierte Modelle: Ein `deepseek_vision`-Tool leiht sich ein Auge von jedem OpenAI-kompatiblen Vision-Pfad, damit das Modell beurteilen kann, ob eine Implementierung zu seinem Mock passt — ausgeliefert mit dem Benchmark hinter diesem Urteil (vier Fixtures, 23 injizierte Defekte, Rohtranskripte) und der Fragedisziplin, von der es abhängt.

Bild-„Lesen“ für reine Textmodelle: Herunterskalieren + Reduzierung der Farbtiefe + Struktur-/Farb-Fingerabdrücke werden in Textraster umgewandelt und in das Gespräch zurückgespeist, sodass das Modell wie ein multimodales Modell autonom zoomen, sampeln und OCR durchführen kann; vollständig lokal ohne Abhängigkeit von externen Modellen, enthält einen Skill zur Bild-Lese-Methodik sowie optional PaddleOCR.

Spracheingabe für die Web-UI: Alt (oder Alt+Space) drücken, um das Diktat zu starten/stoppen, Browser Web Speech (Zero-Config) oder OpenAI-kompatible Cloud-ASR, optionale Politur durch das DSH-konfigurierte LLM, Einstellungs-UI.

Nahezu native Bildverständnis-Funktionen für DeepSeek Harness.

Verleiht einem Text-only-Modell Bildverständnis über ein Vision-Language-Modell, bereitgestellt als `describe_image`-Werkzeug.

Spracheingabe-Plugin für DeepSeek Harness (dsh): Eine Mikrofon-Schaltfläche im Composer wandelt Sprache in einen Entwurfstranskript um, mit wählbaren Spracherkennungs-Backends, optionaler Nachbearbeitung über die eigenen LLM-Routen von dsh und einer nativen Einstellungsseite.

Liest Assistentenantworten laut vor über kostenloses Edge TTS oder eigene RVC-Sprachmodelle: Vorlese-Schaltflächen + automatisches Vorlesen, adaptive blockweise progressive Wiedergabe (lückenlose Langtexte), Ein-Klick-Installation von Voice-Packs aus einer Registry sowie eine portable RVC-Laufzeitumgebung.

Kostenlose Vision-Bridge und Bildgenerierung für reine Textmodelle: Lesen eingefügter Bilder, Failover zwischen GLM-4V-Flash- und Gemini-Engine, strukturierte Evidenz im ModLens-Stil und eine vorbelegte kostenlose Vision-Modell-Route.

AIGC-Canvas-Plugin (cordis).

Sprach-Ein-/Ausgabe für DeepSeek Harness — Sprache-zu-Text und Text-zu-Sprache über Mikrofon und Audioausgabe.

Verleiht reinen Textmodellen Sehvermögen: leitet Benutzerbilder an ein OpenAI-kompatibles Vision-Modell weiter und zeigt die Beschreibungen in einem rechten Panel der Web-UI an.

Vollduplex-Sprachmodus für die DeepSeek Harness Web-UI: Toggle (2-Sekunden-Pause Auto-Send) oder Hold-to-Talk-Diktat in einen editierbaren Entwurf mit zipformer2-Streaming-ASR, optionalem Wake Word; Edge-TTS-Vorlesen Satz für Satz mit Live-Untertiteln, und Sprechen unterbricht Wiedergabe und laufenden Turn (echtes Barge-in). On-Device-ASR, kein API-Schlüssel.