Visión, voz y multimodal

OCR local para DeepSeek Harness: pegue o adjunte una imagen, obtenga su texto mediante PP-OCRv5 + ONNX Runtime, totalmente sin conexión. TUI (cc-tui) y Web.

Visión bajo demanda para sesiones DSH solo de texto: las imágenes se convierten en marcadores, y una herramienta vision_describe envía solo la imagen y la pregunta a un modelo de visión compatible con OpenAI

Botón de micrófono en la fila de herramientas del compositor: voz a texto con la API Web Speech (Chrome/Edge), cambio de idioma y envío automático opcional, cero dependencias.

Codex Appshots para DSH: captura la ventana activa en primer plano mediante atajo global y móntala sin problemas en el composer para consultas del agente.

Captura de pantalla sin dependencias para DSH: Lightweight — cero dependencias, cero binarios; Stage & shoot — captura en un clic de pantalla completa, disposición de ventanas y ventanas ocluidas con hover-snap; Agent self-service — entrega solo por ruta; las rutas son universales, combínalo con modlens (opcional) para evidencia estructurada en una sola llamada.

Plugin multimodal impulsado por MiniMax: modo de llamada de voz en tiempo real (conversación en streaming, interfaz de dock flotante), modo de voz y entrada de voz por micrófono, además de herramientas de generación de imagen/video/música/voz y de inspección visual.

Taller local de generación de imágenes, sin suscripciones: usa tu propia API para generar imágenes (cualquier interfaz compatible con OpenAI, suscripción cero), maquetación en lienzo + retoque/borrado/quitar fondo/OCR/vectorización, entrega PSD/AI editable, puente bidireccional a nivel de capa con Photoshop/Illustrator

Lee las conversaciones de DSH en voz alta utilizando la lectura en voz alta integrada de la página web de DeepSeek, controlada por una pequeña extensión del navegador.

Herramienta de generación de imágenes para DeepSeek Harness sobre cualquier endpoint de imágenes compatible con OpenAI, con una galería integrada en la interfaz web.

Skills de Tripo 3D para DeepSeek Harness: genera recursos 3D listos para el motor a partir de un prompt de texto o una imagen de referencia mediante tripo-cli, con texturizado, rigging, retopología y conversión de formato en una sola pasada.

Otorga visión a los modelos DeepSeek (solo texto) en los clientes Claude Code, Codex y Agent Plugins: describe imágenes mediante cualquier endpoint de visión compatible con OpenAI.

Añade una herramienta de captura de pantalla más dos puntos de captura automática opcionales, poniendo la pantalla en la conversación como un bloque de imagen; requiere un modelo con capacidad de imagen.

Un complemento de lectura de PDF consciente del contenido para modelos de visión: perfila cada página para figuras (vectoriales y rasterizadas), tablas, riesgo de fórmulas y diseño de doble columna, luego aplica extracción híbrida consciente del contenido, renderizando páginas con figuras/tablas/fórmulas como recortes de región de alta DPI. Proporciona una vista previa de baja resolución para entender el diseño de página y renderiza una región especificada en alta resolución. Empaquetado como múltiples herramientas para agentes.

Controla un teléfono HarmonyOS desde la interfaz web de DSH con IA: duplicación de pantalla H.264 en vivo, toque con ratón y teclas del sistema, transmisión de hilog y herramientas agénticas que permiten al modelo leer la pantalla, localizar controles de UI y luego tocar, mantener pulsado, pulsar teclas o escribir.

Caja de herramientas de visión mejorada: 14 herramientas de visión a nivel de píxel (describe, ground, detect, crop, pixel-diff, OCR, OCR de captura larga, vectorize, colors, cutout, screenshot, present, materialize, html-screenshot) impulsadas por un endpoint compatible con OpenAI, con marcadores de puente limpios [图片: path], clasificación de seguridad de contenido y auto-retry por límite de tasa.

Permite que los modelos de solo texto manejen imágenes pegadas en el chat, con una experiencia de visión nativa, visualización de imágenes por lotes y una herramienta analyze_image integrada compatible con OpenAI; los modelos con capacidad de visión no se ven afectados.

Herramientas de voz: síntesis de voz neuronal gratuita con edge-tts, transcripción ASR compatible con OpenAI, lista de voces, vista previa de voces por lotes y autodiagnóstico de estado.

Modo de voz full-dúplex para la interfaz web: dictado con toque para alternar o mantener pulsado (tecla de envío o `Ctrl`) con subtítulos en vivo, ASR SenseVoice del lado del host mediante sherpa-onnx, respuestas habladas oración por oración, y hablar interrumpe la reproducción y el turno en curso (verdadera interrupción). Sin clave de API.

Bucle de voz gratuito para la interfaz web: entrada de micrófono con SpeechRecognition del navegador con resultados provisionales en vivo, además de botones de altavoz para leer en voz alta y lectura automática de las respuestas del asistente, sin configuración y sin clave de API.

Enrutador unificado de generación de imágenes para DeepSeek Harness (DSH): descubre automáticamente modelos de imagen desde cualquier endpoint compatible con OpenAI, proporciona herramientas draw_image y draw_list_sources, y es compatible con SenseNova, StepFun, Agnes, Qwen, Flux, SD, Imagen y más.

Comprensión de imágenes y OCR completamente locales mediante el Vision Framework de macOS: `ocr_image` (texto, diseño de tabla + coordenadas) y `view_image` (escena, caras, QR): pega varias imágenes en el cuadro de entrada web o pasa ruta/URL/base64; las imágenes nunca salen de tu Mac.

Bundle MCP de visión y DSH para DeepSeek solo de texto: herramientas analyze_image, analyze_clipboard, compare_images y vision_status, una página de configuración visual, GLM-4.6V-Flash gratuito por defecto, almacenamiento en caché de resultados y tolerancia al límite de tasa; las claves no aparecen en los registros.

Plugin de visión DeepEye para DeepSeek Harness (DSH): descripción de imágenes, OCR, VQA, diseño de UI y análisis del portapapeles.

Un plugin de dsh que permite a la IA invocar automáticamente VLM (modelos multimodales) para el análisis visual.