Visión, voz y multimodal

Una herramienta de visión `describe_image` para modelos solo de texto: las imágenes (ruta local, URL, adjunto) se envían a un endpoint de visión configurable compatible con OpenAI y solo el texto devuelto entra en la sesión.

iPolloWork HyperFrames Video Studio y 27 plantillas de video editables como una vista de conversación nativa de DeepSeek Harness.

Puente de visión para modelos de solo texto: pega una imagen y obtén evidencia JSON estructurada (OCR, diseño, semántica).

Visión gratuita para agentes de solo texto: cadena de visión integrada sin clave más herramientas de píxeles (preguntas y respuestas, grounding, recorte, diff de píxeles, colores, OCR, trazado SVG, recorte de figuras, capturas de pantalla); pega una imagen para usarla.

Visión para modelos solo de texto: al pegar una imagen, el modelo cambia a la variante Vision Toolkit para preguntas y respuestas sobre imágenes, comparación de múltiples imágenes, OCR de capturas largas, reproducción de UI a partir de capturas, localización de elementos y diferencias de píxeles. Sin clave de API por defecto — las imágenes se procesan mediante el servicio gratuito alojado por el autor, 100 por máquina al día; configurable a tu propio proveedor.

Complemento de estudio TongFlow para DeepSeek Harness (dsh): modelo de proyecto al estilo de un equipo de rodaje, flujos de trabajo TongFlow creados por el agente, generación multimedia determinista, lienzo integrado.

Generación de imágenes conversacional nativa para DeepSeek Harness: pide al agente que cree una imagen y se encarga de la generación y conserva el resultado directamente en la conversación.

Las capacidades de DeepWatch, instalables en un perfil de DeepSeek Harness existente.

Generación de imágenes con IA para la GUI web de DSH: texto a imagen e imagen a imagen mediante un endpoint configurable compatible con OpenAI (gpt-image-2 / gpt-image-1 / dall-e-3), con una tarjeta de configuración api_url/api_key y un estudio de generación de panel dividido en la barra lateral.

Controla un servidor ComfyUI local o remoto desde DeepSeek Harness: las herramientas comfyui_run / comfyui_object_info / comfyui_workflow generan y editan imágenes y vídeos, con una biblioteca de flujos de trabajo (extracción de grafos: por componente / flujo principal / todo), un área de carga con coincidencia automática de resolución, una cola en vivo, plantillas de SDXL y Wan 2.1, una habilidad complementaria y un proxy de medios del mismo origen.

Lectura en voz alta dentro del chat para DeepSeek Harness: toca para leer, pausar y reanudar las respuestas de la IA con voces naturales de Doubao TTS (BYOK); lee solo la respuesta final, con código, tablas y diagramas filtrados; motor local, el complemento no guarda ninguna clave de API.

🎬Director impulsado por IA: plugin de generación de vídeo MiniMax-H3 dirigido por DeepSeek-Harness. 🤖Más que prompts. 🪄UI de lienzo.

QA de fidelidad de diseño para modelos solo de texto: una herramienta `deepseek_vision` toma prestado un ojo de cualquier ruta de visión compatible con OpenAI, de modo que el modelo pueda juzgar si una implementación coincide con su maqueta — se entrega con el benchmark detrás de ese juicio (cuatro fixtures, 23 defectos inyectados, transcripciones en bruto) y la disciplina de cuestionamiento de la que depende.

"Lectura" de imágenes para modelos de solo texto: reduce la escala + reduce la profundidad de color + convierte huellas de estructura/color en cuadrículas de texto que se devuelven a la conversación, permitiendo que el modelo haga zoom, muestreo y OCR de forma autónoma como un modelo multimodal; totalmente local y sin dependencia de modelos externos, incluye una skill de metodología de lectura de imágenes y PaddleOCR opcional.

Entrada de voz para la interfaz web: pulsa Alt (o Alt+Space) para iniciar/detener el dictado, Web Speech del navegador (sin configuración) o ASR en la nube compatible con OpenAI, pulido opcional mediante el LLM configurado en DSH, interfaz de ajustes.

Comprensión de imágenes casi nativa para DeepSeek Harness

Proporciona a un modelo solo de texto comprensión de imágenes mediante un modelo de visión-lenguaje, expuesto como herramienta `describe_image`.

Plugin de entrada de voz para DeepSeek Harness (dsh): un botón de micrófono en el compositor convierte el habla en un borrador transcrito, con opción de backends de reconocimiento de voz, pulido opcional mediante las rutas LLM propias de dsh y una página de configuración nativa.

Lee en voz alta las respuestas del asistente mediante Edge TTS gratuito o tus propios modelos de voz RVC: botones de lectura en voz alta + lectura automática, reproducción progresiva por fragmentos adaptativa (lecturas largas sin cortes), instalación de paquetes de voz con un clic desde un registro y un runtime RVC portátil.

Puente de visión gratuito y generación de imágenes para modelos de solo texto: lectura de imágenes pegadas, conmutación por error entre los motores GLM-4V-Flash y Gemini, evidencia estructurada al estilo ModLens, y una ruta de modelo de visión gratuita preconfigurada.

Plugin de lienzo AIGC (cordis).

Entrada/salida de voz para DeepSeek Harness: reconocimiento de voz a texto y texto a voz a través del micrófono y la salida de audio.

Da visión a los modelos solo de texto: reenvía las imágenes del usuario a un modelo de visión compatible con OpenAI y muestra las descripciones en un panel derecho de la interfaz web.

Modo de voz dúplex completo para la interfaz web de DeepSeek Harness: conmutación (envío automático tras pausa de 2 s) o dictado pulsar-para-hablar en un borrador editable con ASR en streaming zipformer2, palabra de activación opcional; lectura en voz alta Edge TTS oración por oración con subtítulos en vivo, y la voz interrumpe la reproducción y el turno en curso (barge-in real). ASR en el dispositivo, sin clave de API.