dsh-voice — 录音转写 · 英译中同声传译 · 会议记录与纪要 · Obsidian 导出

给 DeepSeek Harness 加一套耳朵、记性和笔记本：

能力	说明
录音转写	任意 ffmpeg 可读的音频/视频 → 英文文字（含时间轴），可顺带翻译
同声传译	麦克风实时英文字幕 + 中文译文，在 DSH Web GUI 里直接看
会议记录	每次同传会话自动存档：逐句中英文 + 时间轴 + 元数据，落盘可回溯
会议纪要	一键把记录整理成中文纪要：概览 / 关键要点 / 决定事项 / 待办（含负责人）/ 风险
导出 Obsidian	纪要 + 全文写成 Obsidian 原生笔记（frontmatter、双链可用、待办是真正的 checkbox）

全部识别在本机完成（Qwen3-ASR，MLX 加速）；只有英文文本会发给 DeepSeek 做翻译和总结。音频从不上传。

作为 DSH 插件安装

插件市场：已提交 1024Store 与 awesome-dsh-plugin，并带 GitHub topic dsh-plugin（dshfind 等聚合站按 topic 收录）。从源码或插件包安装都是两步——先装 Python 后端（识别在本机跑），再装 DSH 插件包：

# 1. Python 后端：独立 venv，与 DSH 自带环境隔离
python3 -m venv ~/.dsh-voice/venv
~/.dsh-voice/venv/bin/pip install -e /path/to/dsh-voice
~/.dsh-voice/venv/bin/dsh-voice download-model        # 约 0.7GB（Qwen3-ASR-0.6B-4bit）

# 2. DSH 插件包（GUI 的插件市场里搜「同传」也可以；CLI 用包名或 tarball）
dsh plugin --profile web add dsh-voice-interpreter

装好后让守护进程找到后端——写进 shell 启动文件（GUI 启动时生效）：

export DSH_VOICE_PROJECT=/path/to/dsh-voice          # 插件安装目录
export DSH_VOICE_PYTHON=$HOME/.dsh-voice/venv/bin/python

也可以不设环境变量：编辑 profile 的 cordis.patch.yml，在 voice-interpreter 那行的 config 下写 projectDir / python。刷新 DSH 页面后，会话上方出现「同传」标签；点「开始收听」时插件会自动拉起服务（autoStart: false 则只做健康检查，不托管进程）。

插件包只带 Node 侧面板与守护逻辑；Python 后端必须装一次（pip install）。这是本插件唯一的手工步骤。

一分钟上手

# 1. 环境（已在本项目创建好）
.venv-audio/bin/dsh-voice doctor          # 自检：ffmpeg / 模型 / 翻译 Key / 会议记录

# 2. 起服务（面板与 MCP 工具都依赖它）
.venv-audio/bin/dsh-voice serve
#    打开 http://127.0.0.1:8768/ 可以直接测试麦克风

# 3. 不开麦克风也能验证整条链路
.venv-audio/bin/dsh-voice selftest --live

在 DSH Web GUI 中：会话上方切到 「同传」 标签页，里面有两个模式：

实时 — 点「开始收听」，边听边出字幕；同时自动记录本次会议（可当场命名）。
会议记录 — 左侧是历史会议列表，选中后可看全文或纪要，点「生成纪要」出中文会议纪要。

实时面板能做什么

区域	内容
顶部状态条	监听状态（含「未检测到声音」提示）、会话计时、麦克风电平、模型/翻译/记录三个状态丸
设置行	实时字幕开关（关闭后只录音不识别）、显示模式（中 / 中+英 / 英）、字号（小/中/大）、自动跟随、预览也翻译、导出 Markdown / SRT
搜索行	按 `/` 打开，过滤并高亮英中双语（Esc 关闭）
字幕行	左侧 `mm:ss` 时间、识别语言 badge、`识别中`/`翻译中` 状态、最终/实时耗时；未定稿行用虚线左边框 + 闪烁光标标识
底部	隐私说明、段数、时长、翻译失败数、查看会议记录；`↓ 回到最新` 悬浮按钮
键盘	空格开始/停止 · M 暂停收音 · / 搜索 · F 回到最新 · Esc 关闭浮层

录制中切到别的标签页再切回来，字幕与会议都还在（会话状态在模块作用域，不在组件里）。
超过 400 句时只保留最近 400 句，列表顶部会提示并提供会议存档入口。
无障碍：字幕容器 role="log" + aria-live="off"，另有隐藏的 polite 区域只播报定稿中文——避免每个 partial 都被朗读。
麦克风电平持续 3 秒为 0 时，状态会变成「未检测到声音 · 检查麦克风」，而不是显示「监听中」却没反应。

架构

                    ┌──────────────────────────────────────────────┐
   麦克风 ──► 浏览器 │ DSH Web GUI「同传」面板（客户端插件）          │
                    │  实时：getUserMedia → 16kHz float32 → WS      │
                    │  会议记录：列表 / 全文 / 纪要 / 生成纪要        │
                    └───────────────┬──────────────────────────────┘
                                    │ ws://127.0.0.1:8768/live  (+ /meetings)
                    ┌───────────────▼──────────────────────────────┐
                    │ dsh-voice 本地服务（Python / FastAPI）         │
                    │  VAD 分段 → 滚动窗口 → Qwen3-ASR 识别          │
                    │  → 稳定句子提交 → DeepSeek 英译中              │
                    │  → 追加写入会议日志（JSONL，崩溃安全）          │
                    │  → 同时存档原始音频（16kHz WAV，可离线重转写）  │
                    │  → 纪要：结构化 JSON → 本地渲染 Markdown       │
                    └───────────────┬──────────────────────────────┘
                                    │ 落盘
                    ┌───────────────▼──────────────────────────────┐
                    │ meetings/<id>/                               │
                    │   meta.json          标题/时长/段数/纪要状态   │
                    │   transcript.jsonl   逐句追加日志（不重写）     │
                    │   audio.wav          实时会话的原始录音（可选） │
                    │   summary.md / .json 会议纪要                 │
                    └──────────────────────────────────────────────┘
                                    ▲
                    ┌───────────────┴──────────────────────────────┐
                    │ MCP stdio（11 个工具）                        │
                    │  转写/翻译/录音/设备/状态 + 会议列表/读取/      │
                    │  生成纪要/处理录音文件/改名                    │
                    └──────────────────────────────────────────────┘

插件包 plugin/ 同时提供浏览器半边（面板 UI）与 Node 半边（守护本地服务进程）。

「同声传译」为什么是"同声"而不是"等说完再译"

关键在提交时机。只靠静音检测不够：一个人连续讲 60 秒不停顿，就会 60 秒什么都看不到。所以会话持续重解码一小段滚动窗口，凡是"句尾已经落在音频前沿之后 1 秒以上"的句子（重新解码也不会变），就立刻提交并翻译。讲者还在说话时字幕已经在滚动，这才是同传。

事件协议（WebSocket /live）：

方向	消息	说明
客户端 → 服务	二进制帧	float32 小端、单声道、16kHz PCM
客户端 → 服务	`{"type":"config"}` / `{"type":"title"}` / `{"type":"flush"}` / `{"type":"ping"}`	运行时开关 / 给本次会议命名 / 立即提交 / 心跳
服务 → 客户端	`ready`	采样率、生效配置、以及本次会议的 id 与标题
服务 → 客户端	`partial`	未提交窗口的预览，`id` 就是它将来提交时的 id
服务 → 客户端	`final`	一句已提交的英文字幕（含时间与耗时）
服务 → 客户端	`translation`	对应中文（`final:false` 为预览译文）
服务 → 客户端	`flushed`	收到 `flush` 后已提交并翻译完尾部才回这个 ack（面板据此安全收尾）
服务 → 客户端	`error`	非致命错误，会话继续

同 id 的 partial 会被 final 原地替换，所以字幕不会重复堆积。

「停止」的握手：客户端发 flush → 服务把未提交窗口解码、提交、翻译完 → 回 flushed → 客户端才关连接。少了这一步，讲话最后一句的译文会因为连接关闭而丢失。

会议记录与纪要

记录是自动的

开始收听就创建一次会议记录；每次提交一句英文就立刻落盘，译文到达后再追加一条。所以哪怕进程被 kill -9，已经听到的内容依然能读回来。

实时会话默认还会把麦克风音频原样存成 meetings/<id>/audio.wav（16kHz 单声道，约 115MB/小时），即使关掉「实时字幕」也会继续录音；停止后可以拿这份音频离线高质量重转写：

.venv-audio/bin/dsh-voice retranscribe 20261028-153000-000-abcd
.venv-audio/bin/dsh-voice retranscribe 20261028-153000-000-abcd --no-translate   # 只要英文

重转写和实时会话、ingest 走的是同一个 Qwen3-ASR 模型，只是喂的是整段离线的 audio.wav（30s 分块、自动语言识别），所以一般比实时字幕更准；翻译这一支也会一并补回（DeepSeek 英译中，--no-translate 可跳过）。重转写会重写该会议的 transcript.jsonl（句子重新编号），并把旧的纪要标记为失效，之后可再 summarize。文件录音（ingest）本来就有源文件，不会额外复制一份 WAV。

transcript.jsonl 是只追加的，一条一句，不重写整个文件：

{"kind":"segment","id":3,"start":8.3,"end":12.9,"en":"We decided to delay the migration.","asr_ms":430,"at":"..."}
{"kind":"translation","id":3,"zh":"我们决定推迟迁移。","ms":520}

读取时按 id 把译文折叠回句子；损坏的尾行、找不到句子的"孤儿译文"都会被跳过而不是让整份记录失败。

纪要是有结构的，不是一段散文

模型被要求输出 JSON（overview / key_points / decisions / action_items / risks / topics）， Markdown 由本机渲染。这样面板能把待办渲染成表格，模型答非所问时也只会退化成可读文本，而不是坏文档。

提示词里立了硬规矩：只能依据记录内容，没说的写「未提及」，人名/数字/日期/缩写原样保留。 action_items 每项都带 task / owner / due，未知的填「未提及」而不是猜。

长会议自动 map-reduce：先按句子边界切成 ≤12000 字符的块，逐块出要点笔记，再合并成最终纪要。

文件也有同样的待遇

已经录好的会议（录音、通话、视频音轨）走同一条链路，产出结构完全一样的记录：

.venv-audio/bin/dsh-voice ingest ~/Downloads/standup.m4a --title "每日站会"

文件路径的翻译是批量的（每 8 句一次请求）——文件没有延迟预算，一句一次调用既慢又贵。实时路径仍然一句一次，因为那里延迟就是全部意义。

HTTP 接口

方法	路径	说明
GET	`/meetings?limit=N`	会议列表（标题、时间、时长、段数、纪要状态）
GET	`/meetings/{id}`	单个会议：元数据 + 逐句记录 + 纪要
GET	`/meetings/{id}/transcript?bilingual=`	纯文本全文
POST	`/meetings/{id}/summary`	生成纪要（`{"force":true}` 强制重算；已有则直接返回缓存）
POST	`/meetings/{id}/title`	重命名会议
DELETE	`/meetings/{id}`	删除会议
POST	`/recordings/summarize`	把已有录音文件变成会议记录 + 纪要

本地模型：为什么是 Qwen3-ASR

识别引擎是 Qwen3-ASR-0.6B-4bit（mlx-community/Qwen3-ASR-0.6B-4bit，Apache-2.0），全部在本机 MLX 上推理，模型目录 models/qwen3-asr-0.6b-4bit/（约 682MB）。旧的 Whisper turbo / distil / small 已移到 models/_retired/，不再参与任何路径。

换掉 Whisper 不是因为它不够"大"，而是它在真实远场录音上的两种失败太伤：

Whisper 的毛病（95 分钟真实讲座录音实测）	Qwen3-ASR 的表现（同一批音频）
静音/噪声窗输出 "Thank you."（全片 24 次）、"."（24 次）、"Loss."（42 次）	静音窗最多一个 "The." 或空；30 秒纯噪声直接空
连续重复段 353 处，"it's" 出现 48 次	中文 TTS CER 3.9%（turbo 7.8%、small 5.8%），无明显复读
把中文闲聊识别成英文并翻译（1135 条里大量错语种）	每块自动判语种，中文就是中文
中英混讲时按 `--language en` 强行英译	默认自动识别，中/英/粤语各走各的

同一台 M1（8GB）上量到的数字：

模型	加载	常驻 RSS	首次解码峰值	中文 TTS CER	20s 中文 RTF
Qwen3-ASR-0.6B-4bit	0.6–1.0s	~330MB	~1.5GB	3.9%	0.05–0.1
whisper-large-v3-turbo（已退役）	4.8s	~333MB	2.1GB	7.8%	~0.3
whisper-small（已退役）	1.9s	876MB	1.2GB	5.8%	—
distil-whisper-large-v3（已退役）	3.7s	1506MB	2.0GB	148.5%（只会英文）	—

Qwen3-ASR 覆盖 30 种语言 + 22 种中文方言/口音（官方口径：带口音英语词错率 16.6% vs Whisper 21.3%，强噪声 17.9% vs 63.2%，方言 18.2% vs 44.6%），正好对上 "带口音的汉语和英语"这个场景；8GB 内存下首次解码峰值约 1.5GB，稳态很轻。

dsh-voice doctor                              # 模型在不在、语种设置是否合理
dsh-voice benchmark                           # 同场对比（现在只有一个模型，主要看回归）
DSH_VOICE_MODEL=models/qwen3-asr-0.6b-4bit dsh-voice serve   # 显式指定路径

语言：默认自动识别

LANGUAGE 的默认值从 en 改成了自动识别。这是这次切换里第二重要的改动：旧配置把整场会议钉死成英文，讲者插一段中文就被 Whisper 强行"英译"成幻觉句。识别引擎逐块报语种，翻译仍然只处理英文文本。

时间戳的粒度是 30 秒

Qwen3-ASR 不输出词级时间戳，asr.py 以 30 秒为一块解码，块边界就是会议记录里能引用的时间精度。实时路径每窗只有几秒，不受影响；要给长录音更细的时间轴，把 CHUNK_DURATION_S 调小即可（会牺牲一点边界处的上下文）。

顺手挖出来的大坑：Whisper 的"感谢观看"

95 分钟录音的前言里写着约 1/3 的识别段是静音幻觉或循环重复。逐段统计： 1536 段里 58 段为空、353 段是连续重复，最高频的句子是 "Thank you."（24 次）和 "Loss."（42 次）——这就是 Whisper 在低信噪比音频上的经典退化，不是音量小的问题（全片 5 秒窗 RMS 中位数 -38 dBFS，属于远场正常水平）。 Qwen3-ASR 不是"从不幻觉"，但它的失败形态是短词或空输出，而不是整段复读；实时路径仍保留静音幻觉过滤（_HALLUCINATION_FILLERS）作为第二道闸。

热重载：改哪一层需要做什么

改了什么	要不要手动操作	机制
`plugin/client.js`（面板 UI）	什么都不用做	client-hmr 每 500ms 轮询 bundle 文件，变了就发 SSE，页面里的模块原地换掉
`cordis.patch.yml`（插件行/配置）	什么都不用做	profile 专门挂了 watch-only HMR 来热加载这个文件
`dsh_voice/*.py`（后端）	要重启服务，或用 `--reload`	服务进程把模块读在内存里
`plugin/index.js`（Node 半边）	要重启 dsh	宿主进程里 ESM 模块被缓存

面板 UI：改完就生效，不用刷新

实测（只加了一行注释）：

改之前  rev=e182c4417d48
改之后  rev=91e9b0637bbf
SSE     data: {"type":"rebuilt","id":"dsh-voice-interpreter","rev":"91e9b0637bbf"}

浏览器那一半收到 rebuilt 会删掉旧模块记录 → 摘掉它注入的 <style> → 重新 import 并重新 apply，所以面板在原地换新。不用刷新页面，也不需要 pnpm run dev:web——那条命令是给需要 TS→JS 构建的插件用的；本插件是手写 bundle，文件本身就是要跑的东西。

⚠️ 唯一要注意的：热替换会卸载并重新挂载面板。如果你正在录音，这一场会掉线（服务端会正常存档并 finalize，数据不丢，但要重新点「开始收听」，且那会是新的一场会议）。

后端 Python：`--reload`

.venv-audio/bin/dsh-voice serve --reload

实测：touch dsh_voice/config.py 后 worker 自动重启（日志 WatchFiles detected changes ... Reloading， /health 的 uptime 从 31.0s 归零到 10.9s）。

代价：重启会掐断正在进行的实时会话，所以默认关闭，是开发时手动开的选项。日常用普通 dsh-voice serve。

录音的生命周期：切页面不会断

面板挂在 conversation.view 上，这个槽位是会话级的——切到别的标签页、切到别的对话，组件都会被卸载。早期版本把会话状态放在组件里，于是一离开面板录音就断，这正是一个会议记录器最不该做的事。

现在会话状态在模块作用域（voiceSession），归属插件的生命周期，不属于任何组件：

动作	结果
切标签页 / 切对话 / 切到别的界面	只是断开视图，录音继续，字幕继续累积
切回来	面板接着显示进行中的会议（标题、已记录段数、字幕都在）
点「停止」	正常收尾：flush → 翻译完 → 归档
插件被卸载（热重载 / 禁用）	立刻交还麦克风（不等 flush 握手），服务端把会议存档

副作用要说清楚：切走之后界面上看不到"正在录音"的提示（面板不在渲染了）。对"边听讲座边切去别处干活"是有意的取舍；如果你想要一个全局指示灯，可以再挂一个 shell.overlay 槽位。

回归测试 tests/plugin_session_test.mjs 直接盯着这条：在没有挂载任何组件的情况下驱动整条链路，再模拟"挂上视图 → 摘掉视图"，断言会话仍然活着、麦克风没有被释放。

导出到 Obsidian

dsh-voice export --vaults                    # 看看 Obsidian 认识哪些 vault
dsh-voice export 20260923-150632-013-e16a    # 导出（默认写进 80-会议记录/）
dsh-voice export <id> --folder "会议/2026"    # 换目录
dsh-voice export <id> --no-transcript        # 只要纪要，不要逐句记录

导出的是一份给 Obsidian 看的笔记，不是纯文本倾倒：

frontmatter：title / created / meeting_id / duration / segments / source / tags / topics —— dataview 可以直接查「这个月所有带 #会议记录的会议」
待办事项是真 checkbox：- [ ] 准备供应商对比 — @Sarah — 📅 下周五 —— tasks 插件能跨库汇总（Markdown 表格做不到这件事）
逐句记录收在折叠 callout 里（> [!quote]-），打开是全文，不打开不占地方
文件名稳定：2026-09-23 标题.md，重复导出是更新同一篇，不会堆副本

两条路径，自动选择：

直接写 vault 文件（默认）——Obsidian 开不开都能用，不依赖任何插件；
Local REST API（配了 DSH_VOICE_OBSIDIAN_API_URL + OBSIDIAN_API_KEY 时）—— PUT 给插件，正在运行的 Obsidian 立刻刷新；失败会自动退回路径 1。

Vault 解析顺序：--vault → DSH_VOICE_OBSIDIAN_VAULT → Obsidian 注册表里最后打开的那个（~/Library/Application Support/obsidian/obsidian.json）。

MCP 工具

接入后模型可直接调用（工具名带 mcp__voice__ 前缀）：

工具	用途
`voice_status`	模型 / ffmpeg / 翻译 Key / 服务 / 会议数是否正常
`transcribe_audio`	转写任意 ffmpeg 可读文件，可选同时翻译
`translate_to_chinese`	英文 → 中文（可带上下文保持术语一致）
`list_audio_devices`	列出麦克风设备
`record_audio`	用内置 ffmpeg 录音，可顺带转写
`ensure_live_server`	探测本地服务，必要时拉起
`list_meetings`	会议列表（最新在前）
`read_meeting`	读一次会议：元数据 + 逐句记录 + 纪要
`summarize_meeting`	生成中文纪要（结构化），结果落盘复用
`summarize_recording`	录音文件一条龙：转写 → 翻译 → 存档 → 纪要
`rename_meeting`	给会议起个有意义的名字
`list_obsidian_vaults`	Obsidian 认得哪些 vault
`export_meeting_to_obsidian`	把会议导出成 Obsidian 笔记（纪要 + 全文 + checkbox 待办）

例如在对话里直接说「把上次会议整理成纪要」，模型会 list_meetings → summarize_meeting；说「导出到 Obsidian」就会调 export_meeting_to_obsidian。

配置项

环境变量（DSH_VOICE_ 前缀，或直接同名）：

变量	默认	说明
`MODEL`	`models/qwen3-asr-0.6b-4bit`	模型目录；也认标签 `qwen3`，或任意路径 / HF repo
`LANGUAGE`	空（自动识别）	源语言；`en` / `zh` / `yue` 等可强制，空或 `auto`/`none` = 自动
`PORT` / `HOST`	`8768` / `127.0.0.1`	服务监听地址
`TRANSLATE`	`true`	是否翻译
`TRANSLATE_PARTIALS`	`true`	预览句是否也翻译
`PARTIAL_INTERVAL`	`2.0`	预览解码间隔（秒）
`END_SILENCE_MS`	`700`	多长静音判为一句结束
`MAX_SEGMENT`	`20`	单段硬上限（秒）
`RECORD`	`true`	实时会话是否写入会议记录；纯字幕可加 `serve --no-record`
`CAPTIONS`	`true`	实时字幕解码开关，关掉后只录音不跑 ASR/翻译；面板设置里也能随时切
`MEETINGS_DIR`	`meetings/`	会议记录根目录
`API_BASE` / `API_MODEL`	`https://api.deepseek.com` / `deepseek-chat`	翻译与纪要后端
`OBSIDIAN_VAULT`	注册表里最后打开的 vault	Obsidian vault 目录
`OBSIDIAN_FOLDER`	`80-会议记录`	vault 内的目标目录
`OBSIDIAN_API_URL` / `OBSIDIAN_API_KEY`	空	配了就改走 Local REST API 推送
`HF_ENDPOINT`	`https://hf-mirror.com`	模型下载镜像（huggingface.co 不可达时用）

翻译 Key 解析顺序：DEEPSEEK_API_KEY 环境变量 → $DSH_HOME/.credentials.yaml。 DSH_HOME 未设置时默认 ~/.dsh-home：如果你的 DSH 是从源码仓库跑的，就指向那个仓库里的 .dsh-home（本机实测用的就是这种方式）。测试脚本也认这个变量，所以换机器不用改代码。

命令

dsh-voice serve [--port N] [--no-translate] [--no-record] [--reload]   # 实时服务（面板/MCP 的后端）
dsh-voice transcribe FILE [--translate|--text] # 文件转写
dsh-voice translate "text"                     # 英文 → 中文
dsh-voice record --seconds 15 --transcribe     # 麦克风录音
dsh-voice devices                              # 设备列表

dsh-voice meetings [--limit N] [--text]        # 会议列表
dsh-voice show ID [--summary|--english-only|--json]  # 看全文或纪要
dsh-voice retranscribe ID [--language]         # 用存档 audio.wav 重新转写
dsh-voice summarize ID [--force]               # 生成纪要
dsh-voice ingest FILE [--title T] [--text]     # 录音文件 → 记录 + 纪要
dsh-voice export ID [--vault V] [--folder F]   # 导出到 Obsidian
dsh-voice export --vaults                      # 列出 Obsidian vault

dsh-voice doctor                               # 依赖自检（含模型/语种是否匹配）
dsh-voice benchmark [--text-file F]            # 本地模型同场对比
dsh-voice download-model                       # 下载当前模型（约 0.7GB）
dsh-voice selftest [--live]                    # 端到端自检（无需麦克风）

测试

浏览器测试分两类：plugin_render_test / plugin_host_test / plugin_session_test 从 DSH 的 profile 解析真实 React（模块实例与运行中的应用是同一个），需要 DSH_HOME 指向你的 DSH 目录，没设会打印试过的路径； panel_smoke_test 自带 React stub，不需要 profile，适合在机器上快速回归面板逻辑。

本机 node 不在 PATH 时，用 DSH 自带的 Node 跑（把下面命令包一层 shim 即可）：

DSH_DESKTOP_NODE_EXECUTABLE='/Applications/DeepSeek Harness.app/Contents/MacOS/DeepSeek Harness' \
  "/Applications/DeepSeek Harness.app/Contents/Resources/runtime/bin/node" tests/panel_smoke_test.mjs

bash tests/run_all.sh          # 离线检查（无模型、无网络，秒级，11 组）
bash tests/run_all.sh --full   # 全链路（模型 + DeepSeek API，约 3 分钟）

# 也可以单独跑：
.venv-audio/bin/python tests/meetings_test.py            # 记录存储：崩溃容错、排序、纪要渲染
.venv-audio/bin/python tests/obsidian_export_test.py     # 笔记结构、文件名安全、重复导出
.venv-audio/bin/python tests/asr_config_test.py          # 语言映射与模型选择（防旧模型回归）
.venv-audio/bin/python tests/benchmark_test.py           # 基准测试自身：WER 算法、加噪、推荐规则
.venv-audio/bin/python tests/retranscribe_test.py       # 用存档 audio.wav 重建记录（模型被 stub）
.venv-audio/bin/python tests/server_http_test.py        # 面板跨域预检 + 会议列表（record 默认开）
node tests/plugin_render_test.mjs                        # 面板渲染 + 纪要渲染器（含 XSS 安全）
node tests/plugin_host_test.mjs                          # 守护逻辑：复用而不抢占
node tests/plugin_session_test.mjs                       # 录音生命周期：切页面不能断（本 bug 的回归测试）
node tests/panel_smoke_test.mjs                          # 面板纯逻辑 + 一次渲染（自带 React stub，无需 profile）
.venv-audio/bin/python tests/live_stream_test.py         # 实时会话 + 记录一致性
.venv-audio/bin/python tests/server_ws_test.py           # 真实 WebSocket + 会议 HTTP 接口
.venv-audio/bin/python tests/recording_pipeline_test.py  # 录音 → 转写 → 纪要（含事实核查）

关键不变量（都是先红过才写下来的）：

实时路径：任何一句都不得提交两次，且每个已提交句都必须有译文。
记录路径：存下来的句子必须和推送给用户的事件逐字一致，段数、译文一个都不能少。
纪要路径：说过的数字、负责人、截止时间必须出现在纪要里 —— 只对不上的措辞不算。
导出路径：重复导出只能更新同一篇笔记，文件名不能带 Obsidian 拒绝的字符，标题不能出现两次。
解码路径：语言提示必须映射成 Qwen3 认的名字、分块固定 30 秒 —— 改错会让中文被当成英文。
模型选择：catalog 里只能有 Qwen3，旧 whisper 标签必须查找不到；默认必须落到 qwen3。
面板：纪要 Markdown 永远不能变成 HTML 注入（<script> 只会以文本出现）。

在 DSH 里怎么接的

写入（工作区外，已授权）：

.dsh-home/profiles/web/node_modules/dsh-voice-interpreter → 软链到本目录的 plugin/ （等价于 dsh plugin --profile web add <path>，只是不动 lockfile）。
.dsh-home/profiles/web/cordis.patch.yml 追加两行 insert：客户端插件行 + MCP 行。

DSH 会热加载 patch 文件（web profile 关掉了模块级 HMR，但 cordis.patch.yml 的 watch-only HMR 是专门为此挂载的），所以不必重启 dsh；但新增的浏览器插件行只在页面刷新后进入 __DSH_BOOT__——刷新一次即可看到「同传」标签页。

回滚

# 1) 删掉软链
rm "$DSH_HOME/profiles/web/node_modules/dsh-voice-interpreter"

# 2) 删掉 cordis.patch.yml 末尾那段（以标题行开始到文件尾）
#    "── Voice: local transcription + English-to-Chinese live interpretation ──"

# 3) 停掉本地服务
pkill -f "dsh_voice.server"

dsh-voice/ 目录本身、.venv-audio/、模型都可原样保留；会议记录在 dsh-voice/meetings/，删掉不影响 DSH 其它功能。

已知边界

服务进程的归属：插件的 Node 半边在 DSH 启动时探测 /health，没服务才拉起一个；并每 30 秒巡检一次，崩了会自动重启；它只杀自己拉起的子进程，不会动你手动起的服务。这个巡检逻辑要下次启动 dsh 才生效（宿主插件的 ESM 模块会被缓存）。在此之前服务由 dsh-voice serve 或 ensure_live_server 工具负责。
会议记录只在识别成功时才有内容：没有语音就没有句子，空会议不会产生纪要。
纪要质量取决于记录质量：识别错的专有名词会原样进纪要。用 transcribe_audio --initial-prompt 或 ingest 时提供词汇表能显著改善。
macOS 权限：浏览器首次使用需允许麦克风；命令行录音需要给宿主进程麦克风权限。模型推理本身不需要任何系统权限。
首次翻译/纪要需要联网；识别与记录全程离线，可以在没网时先录后整理。
dsh-voice record 依赖 ffmpeg 的 avfoundation 输入；本机自动使用 imageio-ffmpeg 自带的 ffmpeg 7.1。
selftest --audio 之外的模式依赖 macOS say 合成语音。新机器的默认语音可能是音效 （Bells、Zarvox 等），会把长文本截断——自检因此显式挑一个真实语音（Samantha 等），可用 --voice 或 DSH_VOICE_SAY_VOICE 覆盖。
预览行可能先给出一个错的词（例如把 "such short notice" 听成 "Sunday"），提交时会被正确答案替换——这是预览的预期行为，不是 bug。

dsh-voice

Instalar

README

dsh-voice — 录音转写 · 英译中同声传译 · 会议记录与纪要 · Obsidian 导出

作为 DSH 插件安装

一分钟上手

实时面板能做什么

架构

「同声传译」为什么是"同声"而不是"等说完再译"

会议记录与纪要

记录是自动的

纪要是有结构的，不是一段散文

文件也有同样的待遇

HTTP 接口

本地模型：为什么是 Qwen3-ASR

语言：默认自动识别

时间戳的粒度是 30 秒

顺手挖出来的大坑：Whisper 的"感谢观看"

热重载：改哪一层需要做什么

面板 UI：改完就生效，不用刷新

后端 Python：`--reload`

录音的生命周期：切页面不会断

导出到 Obsidian

MCP 工具

配置项

命令

测试

在 DSH 里怎么接的

回滚

已知边界

Plugins relacionados

dsh-web-ui (dsh-tool-describe-image)

modlens

ipollowork

dsh-vision-router

Instalar

README

dsh-voice — 录音转写 · 英译中同声传译 · 会议记录与纪要 · Obsidian 导出

作为 DSH 插件安装

一分钟上手

实时面板能做什么

架构

「同声传译」为什么是"同声"而不是"等说完再译"

会议记录与纪要

记录是自动的

纪要是有结构的，不是一段散文

文件也有同样的待遇

HTTP 接口

本地模型：为什么是 Qwen3-ASR

语言：默认自动识别

时间戳的粒度是 30 秒

顺手挖出来的大坑：Whisper 的"感谢观看"

热重载：改哪一层需要做什么

面板 UI：改完就生效，不用刷新

后端 Python：--reload

录音的生命周期：切页面不会断

导出到 Obsidian

MCP 工具

配置项

命令

测试

在 DSH 里怎么接的

回滚

已知边界

Plugins relacionados

dsh-web-ui (dsh-tool-describe-image)

modlens

ipollowork

dsh-vision-router

后端 Python：`--reload`