Visione, voce e multimodale

OCR locale per DeepSeek Harness: incolla o allega un'immagine, ottieni il suo testo tramite PP-OCRv5 + ONNX Runtime, completamente offline. TUI (cc-tui) e Web.

Visione su richiesta per sessioni DSH solo testo: le immagini diventano marcatori e uno strumento vision_describe invia solo l'immagine e la domanda a un modello di visione compatibile con OpenAI

Pulsante microfono nella riga degli strumenti del composer: speech-to-text con Web Speech API (Chrome/Edge), cambio lingua e auto-invio opzionale, zero dipendenze.

Codex Appshots per DSH: cattura la finestra attiva in primo piano tramite scorciatoia globale e montala senza interruzioni nel composer per le query dell'agente.

Cattura dello schermo senza dipendenze per DSH: Lightweight — zero dipendenze, zero binari; Stage & shoot — cattura a un clic di schermo intero, layout finestre e finestre occluse con hover-snap; self-service dell'agente — consegna solo tramite percorso; i percorsi sono universali, abbinalo a modlens (opzionale) per prove strutturate in una sola chiamata.

Plugin multimodale alimentato da MiniMax: modalità chiamata vocale in tempo reale (conversazione in streaming, interfaccia dock flottante), modalità vocale e input vocale dal microfono, oltre a strumenti di generazione di immagini/video/musica/voce e di ispezione visiva.

Workbench locale di generazione immagini, zero canoni di abbonamento: usa la tua API per generare immagini (qualsiasi interfaccia compatibile con OpenAI, zero abbonamenti), layout su telaio e ritocco/cancellatura/rimozione sfondo/OCR/vettorializzazione, consegna PSD/AI modificabili, bridge bidirezionale a livello di oggetti Photoshop/Illustrator.

Legge ad alta voce le conversazioni DSH usando la lettura ad alta voce integrata della pagina web DeepSeek, gestita da una piccola estensione del browser.

Strumento di generazione di immagini per DeepSeek Harness su qualsiasi endpoint immagini compatibile con OpenAI, con una galleria integrata nell'interfaccia web.

Skill Tripo 3D per DeepSeek Harness: genera asset 3D pronti per il motore da un prompt testuale o un'immagine di riferimento tramite tripo-cli, con texturing, rigging, retopologia e conversione di formato in un'unica passata.

Conferisce visione ai modelli DeepSeek (solo testo) nei client Claude Code, Codex e Agent Plugins: descrive le immagini tramite qualsiasi endpoint visivo compatibile con OpenAI.

Aggiunge uno strumento per screenshot più due punti di cattura automatica opzionali, inserendo lo schermo nella conversazione come blocco immagine; richiede un modello con capacità immagine.

Un plugin di lettura PDF consapevole del contenuto per modelli di visione: profila ogni pagina per figure (vettoriali e raster), tabelle, rischio formule e layout a doppia colonna, poi applica estrazione ibrida consapevole del contenuto, rendendo le pagine con figure/tabelle/formule come ritagli di regione ad alta DPI. Fornisce un'anteprima a bassa risoluzione per comprendere il layout della pagina e rende una regione specificata ad alta risoluzione. Impacchettato come più strumenti per agenti.

Controlla un telefono HarmonyOS dalla web UI di DSH con AI: mirroring live della schermata H.264, tocco del mouse e tasti di sistema, streaming di hilog e strumenti agentici che consentono al modello di leggere lo schermo, individuare i controlli UI, quindi toccare, premere a lungo, premere tasti o digitare.

Toolbox visione migliorato: 14 strumenti visione a livello di pixel (describe, ground, detect, crop, pixel-diff, OCR, long-screenshot OCR, vectorize, colors, cutout, screenshot, present, materialize, html-screenshot) guidati da un endpoint OpenAI-compatible, con marcatori bridge puliti [图片: path], classificazione content-safety e auto-retry del rate-limit.

Consente ai modelli solo testo di gestire le immagini incollate nella chat, con un'esperienza di visione nativa, visualizzazione delle immagini in batch e uno strumento analyze_image integrato compatibile con OpenAI; i modelli con capacità di visione non sono interessati.

Strumenti vocali: sintesi vocale neurale gratuita con edge-tts, trascrizione ASR compatibile con OpenAI, elenco delle voci, anteprima batch delle voci e autodiagnosi dello stato.

Modalità vocale full-duplex per l'interfaccia web: dettatura con tocco per attivare/disattivare o pressione prolungata (tasto di invio o `Ctrl`) con sottotitoli in diretta, ASR SenseVoice lato host tramite sherpa-onnx, risposte parlate frase per frase, e parlare interrompe la riproduzione e il turno in corso (vera interruzione). Nessuna chiave API.

Circuito vocale gratuito per la Web UI: input microfonico con SpeechRecognition del browser con risultati provvisori in tempo reale, più pulsanti altoparlante per la lettura ad alta voce e lettura automatica delle risposte dell'assistente, zero configurazione e nessuna chiave API.

Router unificato per la generazione di immagini per DeepSeek Harness (DSH): scopre automaticamente i modelli immagine da qualsiasi endpoint compatibile OpenAI, fornisce gli strumenti draw_image e draw_list_sources, supporta SenseNova, StepFun, Agnes, Qwen, Flux, SD, Imagen e altri.

Comprensione delle immagini e OCR completamente locali tramite il Vision Framework di macOS: `ocr_image` (testo, layout tabella + coordinate) e `view_image` (scena, volti, QR) — incolla più immagini nella casella di input web o passa percorso/URL/base64; le immagini non lasciano mai il tuo Mac.

Bundle Vision MCP e DSH per DeepSeek solo testo: strumenti analyze_image, analyze_clipboard, compare_images e vision_status, una pagina impostazioni visuale, GLM-4.6V-Flash gratuito di default, caching dei risultati e tolleranza al rate-limit; le chiavi restano fuori dai log.

Plugin di vision DeepEye per DeepSeek Harness (DSH): descrizione delle immagini, OCR, VQA, layout UI e analisi degli appunti.

Un plugin per dsh che permette all'AI di richiamare automaticamente VLM (modelli multimodali) per l'analisi visiva.