Vision, voix et multimodal

Un outil de vision `describe_image` pour les modèles texte uniquement : les images (chemin local, URL, pièce jointe) sont envoyées vers un point de terminaison de vision OpenAI-compatible configurable et seul le texte renvoyé entre dans la session.

iPolloWork HyperFrames Video Studio et 27 modèles de vidéo modifiables sous forme de vue de conversation native pour DeepSeek Harness.

Pont de vision pour les modèles texte seul : collez une image, obtenez des preuves JSON structurées (OCR, mise en page, sémantique).

Vision gratuite pour les agents texte seul : chaîne de vision intégrée sans clé, plus des outils pixel (questions-réponses, ancrage, recadrage, diff pixel, couleurs, OCR, tracé SVG, détourage, captures d'écran) ; collez une image pour l'utiliser.

Vision pour les modèles texte uniquement : collez une image et le modèle bascule vers la variante Vision Toolkit pour les questions-réponses sur images, la comparaison multi-images, l'OCR de captures longues, la reproduction d'UI à partir de captures, l'ancrage d'éléments et les différences de pixels. Aucune clé API par défaut — les images sont traitées par le service gratuit hébergé par l'auteur, 100 par machine et par jour ; configurable vers votre propre fournisseur.

Plugin studio TongFlow pour DeepSeek Harness (dsh) : modèle de projet façon équipe de tournage, workflows TongFlow rédigés par l'agent, génération multimédia déterministe, canevas intégré.

Génération d'images conversationnelle native pour DeepSeek Harness : demandez à l'agent de créer une image, et il gère la génération et conserve le résultat directement dans la conversation.

Les capacités de DeepWatch, installables dans un profil DeepSeek Harness existant

Génération d'images par IA pour l'interface web de DSH : texte-vers-image et image-vers-image via un point de terminaison compatible OpenAI configurable (gpt-image-2 / gpt-image-1 / dall-e-3), avec une carte de configuration api_url/api_key et un studio de génération à volet divisé dans la barre latérale.

Pilotez un serveur ComfyUI local ou distant depuis DeepSeek Harness : les outils comfyui_run / comfyui_object_info / comfyui_workflow génèrent et modifient des images et des vidéos, avec une bibliothèque de workflows (extraction de graphe : par composant / flux principal / tout), une zone de chargement avec correspondance automatique de résolution, une file d'attente en direct, des modèles SDXL et Wan 2.1, une compétence compagne et un proxy média de même origine.

Lecture à voix haute dans le chat pour DeepSeek Harness : touchez pour lire, mettre en pause et reprendre les réponses de l'IA avec des voix Doubao TTS naturelles (BYOK) ; lit uniquement la réponse finale, code, tableaux et diagrammes filtrés ; moteur local, le plugin ne conserve aucune clé d'API.

🎬Réalisateur propulsé par l'IA : plugin de génération vidéo MiniMax-H3 dirigé par DeepSeek-Harness. 🤖Plus qu'un prompt. 🪄Interface en canevas.

QA de fidélité de conception pour les modèles texte uniquement : un outil `deepseek_vision` emprunte un œil à n’importe quelle route vision compatible OpenAI, afin que le modèle puisse juger si une implémentation correspond à sa maquette — livré avec le benchmark derrière ce jugement (quatre fixtures, 23 défauts injectés, transcriptions brutes) et la discipline de questionnement dont il dépend.

« Lecture » d'images pour les modèles texte uniquement : réduction d'échelle + réduction de la profondeur de couleur + empreintes de structure/couleur transformées en grilles de texte renvoyées dans la conversation, permettant au modèle de zoomer, d'échantillonner et de faire de l'OCR de manière autonome comme un modèle multimodal ; entièrement local, sans dépendance à un modèle externe, fournit une compétence de méthodologie de lecture d'image et PaddleOCR en option.

Saisie vocale pour l'interface web : appuyez sur Alt (ou Alt+Space) pour démarrer/arrêter la dictée, Web Speech du navigateur (zéro config) ou ASR cloud compatible OpenAI, polissage optionnel via le LLM configuré par DSH, interface de paramètres.

Compréhension d'image quasi native pour DeepSeek Harness

Donne à un modèle textuel la compréhension d'image via un modèle vision-langage, exposé comme outil `describe_image`.

Plugin de saisie vocale pour DeepSeek Harness (dsh) : un bouton microphone dans le compositeur transforme la parole en brouillon transcrit, avec un choix de backends de reconnaissance vocale, un peaufinage optionnel via les propres routes LLM de dsh et une page de paramètres native.

Lit à voix haute les réponses de l'assistant via Edge TTS gratuit ou vos propres modèles vocaux RVC : boutons de lecture à voix haute + lecture automatique, lecture progressive par blocs adaptatifs (lectures longues sans coupure), installation en un clic de packs vocaux depuis un registre, et un runtime RVC portable.

Pont de vision gratuit et génération d'images pour les modèles texte seul : lecture d'images collées, basculement entre les moteurs GLM-4V-Flash et Gemini, preuves structurées façon ModLens, et une route de modèle de vision gratuite préconfigurée.

Plugin de canevas AIGC (cordis).

Entrée/sortie vocale pour DeepSeek Harness — reconnaissance vocale et synthèse vocale via le microphone et la sortie audio.

Donne la vision aux modèles textuels uniquement : transmet les images de l'utilisateur à un modèle de vision compatible OpenAI et affiche les descriptions dans un panneau droit de l'interface web.

Mode voix duplex intégral pour l'interface Web DeepSeek Harness : bascule (envoi automatique après 2 s de pause) ou dictée push-to-talk dans un brouillon modifiable avec ASR streaming zipformer2, mot de réveil optionnel ; lecture phrase par phrase via Edge TTS avec sous-titres en direct, et la parole interrompt la lecture et le tour en cours (vrai barge-in). ASR sur appareil, aucune clé API requise.