ビジョン、音声とマルチモーダル

テキスト専用モデル向けの `describe_image` ビジョンツール: 画像（ローカルパス、URL、添付）は設定可能な OpenAI 互換のビジョンエンドポイントに送られ、返ってきたテキストだけがセッションに入る。

iPolloWork HyperFrames Video Studio と 27 個の編集可能なビデオテンプレートを、DeepSeek Harness のネイティブな会話ビューとして提供します。

テキスト専用モデル向けのビジョンブリッジ: 画像を貼り付けると、構造化された JSON エビデンス（OCR、レイアウト、セマンティクス）を取得。

テキスト専用エージェント向けの無料ビジョン機能: キー不要の内蔵ビジョンチェーンとピクセルツール群（Q&A、グラウンディング、クロップ、ピクセル差分、カラー、OCR、SVG トレース、切り抜き、スクリーンショット）。画像を貼り付けるだけで使用可能。

テキスト専用モデルに視覚機能を追加：画像を貼り付けると、モデルがVision Toolkitバリアントに切り替わり、画像Q&A、複数画像比較、ロングスクリーンショットOCR、スクリーンショットからのUI再現、要素グラウンディング、ピクセル差分に対応します。デフォルトではAPIキー不要で、作者がホストする無料サービスにより1マシンあたり1日100枚まで処理可能。独自の_provider_への切り替えも設定できます。

DeepSeek Harness（dsh）用 TongFlow スタジオプラグイン：撮影クルー形式のプロジェクトモデル、エージェント作成の TongFlow ワークフロー、決定論的メディア生成、埋め込みキャンバス。

DeepSeek Harness向けネイティブ対話型画像生成：エージェントに画像作成を依頼すると、生成から結果の会話内保持までを自動的に処理します。

DeepWatch の機能を、既存の DeepSeek Harness プロファイルにインストールできるようにします。

DSH Web GUI向けのAI画像生成：設定可能なOpenAI互換エンドポイント（gpt-image-2 / gpt-image-1 / dall-e-3）を介したテキストから画像、画像から画像への変換に対応、api_url/api_keyの設定カードとサイドバーの分割ペイン生成スタジオを備える。

DeepSeek Harness からローカルまたはリモートの ComfyUI サーバーを操作：comfyui_run / comfyui_object_info / comfyui_workflow ツールで画像や動画を生成・編集。ワークフローライブラリ（グラフ抽出：コンポーネントごと／メインフロー／すべて）、解像度自動マッチング付きロードエリア、ライブキュー、SDXL と Wan 2.1 テンプレート、コンパニオンスキル、同一オリジンのメディアプロキシを備えます。

DeepSeek Harness 用のチャット内読み上げ機能：自然な Doubao TTS ボイス（BYOK）で AI 返信をタップして読み上げ・一時停止・再開。コード・表・図は除外し、最終回答のみを読み上げます。ローカルエンジンで、プラグインは API キーを保持しません。

🎬AI 監督：DeepSeek-Harness が演出する MiniMax-H3 動画生成プラグイン。🤖プロンプト以上。🪄キャンバス UI。

テキストのみのモデル向けデザイン忠実度 QA。`deepseek_vision` ツールが OpenAI 互換の任意の vision 経路から目を借りることで、モデルは実装がモックと一致するかを判断できます。これとともに、その判断の裏にあるベンチマーク（4 つの fixture、23 個の注入不具合、raw transcript）と、それが依拠する質問の規律も提供されます。

テキストのみのモデルのための画像「読み取り」：ダウンスケール＋色深度削減＋構造／色のフィンガープリントをテキストグリッドに変換して会話に戻すことで、モデルはマルチモーダルモデルのように自律的にズーム、サンプリング、OCR を行えます。完全にローカルで動作し、外部モデルへの依存はゼロ。画像読み取りの方法論スキルとオプションの PaddleOCR を同梱しています。

Web UI向け音声入力：Alt（またはAlt+Space）を押してディクテーションを開始/停止、ブラウザWeb Speech（ゼロ設定）またはOpenAI互換クラウドASR、DSH設定LLMによるオプションのポリッシュ、設定UI。

DeepSeek Harness にネイティブに近い画像理解機能を追加。

視覚言語モデルを介してテキスト専用モデルに画像理解を提供、`describe_image` ツールとして公開。

DeepSeek Harness（dsh）向け音声入力プラグイン：コンポーザーのマイクボタンで音声を下書き転写に変換し、複数の音声認識バックエンドから選択可能で、dsh 独自の LLM ルートによる任意の推敲とネイティブ設定ページを備えています。

無料のEdge TTSまたは独自のRVC音声モデルでアシスタントの返信を読み上げ：読み上げボタン＋自動読み上げ、適応型チャンク分割によるプログレッシブ再生（長文もギャップレス）、レジストリからのボイスパックをワンクリックでインストール、ポータブルなRVCランタイムを提供。

テキスト専用モデル向けの無料ビジョンブリッジと画像生成：貼り付けた画像の読み取り、GLM-4V-FlashとGeminiエンジンのフェイルオーバー、ModLens方式の構造化エビデンス、およびシード付きの無料ビジョンモデルルート。

AIGC キャンバスプラグインです（cordis）。

DeepSeek Harness の音声 I/O — マイク入力と音声出力による speech-to-text / text-to-speech。

テキスト専用モデルに視覚機能を付与: ユーザーの画像を OpenAI 互換のビジョンモデルに転送し、その説明を Web UI の右パネルに表示します。

DeepSeek Harness Web UI 用のフルデュプレックス音声モード:トグル(2 秒ポーズで自動送信)またはプッシュトゥトークによるディクテーションを、編集可能なドラフトに zipformer2 ストリーミング ASR で入力、オプションでウェイクワード対応。Edge TTS によるセンテンス単位の読み上げとライブキャプション、話すと再生と実行中ターンを割り込みます(真のバージイン)。オンデバイス ASR で API キー不要。