プラグイン

DeepSeek Harness用の学習ワークスペース。PDF、DOCX、PPTX、Markdown、講義録画を取り込み、出典付きフラッシュカード、クイズ、自由回答問題を作成し、内蔵WebパネルでSM-2間隔反復を予定します。録画の文字起こしには自分のSiliconFlow、Groq、Geminiキーが必要。DSH 0.2.0-rc.2以降、0.3未満が必要です。

論文ライブラリ/PDFリーダー/チューター。引用ページから該当箇所へ移動/強調し、論文内で選択箇所を質問。読書計画、節別指導、セッション間の採点クイズを同梱。MinerU（セルフホストは登録不要、mineru.netクラウドはtoken必要）でスキャンPDFを読取。数式をクリック引用（LaTeXをチャットへ送信）/QK^T検索しページ別表示。任意のembeddings endpointで意味検索。削除は復元可能な.trashへ。スクロール/単ページ、全画面対応右バー、パスコピー、翻訳PDF、babeldocで原文↔中国語切替（事前導入不要）。文字起こし/検索は既定でローカル。cloud MinerU/embeddings/翻訳endpoint有効時だけ該当テキストを設定先へ送信。

Apple Silicon搭載macOSのDeepSeek Harnessで、マイクとシステム音声を録音し、話者ラベル付きで会議をローカルで文字起こしして、トランスクリプトをエクスポートします。

DeepSeek ブレイン + 自動画像文字起こし:GUI で画像を添付すると、デフォルトで公式の deepseek-v4-flash-vision-exp により文字起こしされます(純粋テキストの V4-Pro ブレインも画像を見ることができます)。代替として、任意の OpenAI 互換 VLM またはローカル Ollama も使用可能。

ステップ単位のmodel router。順序付き画像/キーワードグループルールを備えた名前付きプリセットが、マウントされたすべてのプロバイダーとモデルにわたって各エージェントステップをルーティングし、画像書き起こし用の協調フロー、画像ガード、複数プランのクォータパネル、ステップ単位の判断可観測性を追加します。

Web UI向けコンポーザーマイク:タップでライブ文字起こしをモニターし、押している間話せるホールドトーク機能を提供します。モデルが生成している間にストリーミングされるホストのEdge TTSによる返信読み上げ、読み上げ中のエコー一時停止、タップで停止も備えています。

音声ツール：無料のedge-ttsニューラル音声合成、OpenAI互換のASR文字起こし、音声リスト、音声の一括プレビュー、ヘルス自己チェック。

WeChat（個人WeChat、iLink Bot API）チャンネル。WeChatからDSHエージェントと会話でき、画像、ファイル、音声メモの文字起こしに対応します。1つのWeChat会話内で複数のDSH Sessionを使えます（/new、/list、/use）。すべてのオプションを設定ページから編集でき、npmではdsh-plugin-weixinとして公開されています。

DeepSeek HarnessとFeishu/Larkを連携するプラグインです。Feishuでチャット、カード、承認、タスクボード、目標、スケジュールを利用でき、Web GUIには完全ローカル（オフライン）の音声文字起こしと再生バーを備えています。

OneBot 11（NapCatなど）経由でdshにQQチャンネルを追加します。リバース／フォワードWebSocket、個人・グループチャット、画像・音声の文字起こし、t2iテキスト画像カード、転送メッセージのまとめ、設定ページに対応します。

ローカルでの画像、音声、音楽、音響効果の生成と文字起こし。固定ID機能を搭載：キャラクター、動物、物体、俳優の音声を一度定義すれば以降のすべての呼び出しで再利用できます。退化した出力（平坦に近い画像、無音オーディオ）は成功として返さず拒否。生成された行はテキストとして読み戻せるため、末尾を飲み込んだクローンも可視化されます。エンジンはアイドル時にアンロードされ、画像生成と文字起こしはローカルのVulkanバックエンドの代わりにOpenAI互換APIを指し示すこともできます。

コンポーザー向けのマイク音声入力機能。ブラウザの Web Speech API によるリアルタイム文字起こし、重複排除/自動継続、スマート句読点、言語と自動送信の設定に対応します。

Downloads a Bilibili video with yt-dlp, samples key frames, and transcribes it — from the site subtitles, or from a local faster-whisper install when there are none. Registers the skill the agent uses to write the summary; activates when a user message contains only a video link. Requires yt-dlp and ffmpeg on PATH; transcription needs faster-whisper.

Xiaohongshu、Douyin、TikTok、YouTube、X のリンクをテキストに変換します：タイムコード付きトランスクリプト、画面内テキスト、説明、すべての画像の OCR、キャプションとメタデータ。ホストされた MCP サーバーを streamable HTTP 経由でマウントします。

字幕優先の動画文字起こし。SRT のエクスポート、キャンセル可能なジョブ制御、字幕がない場合の faster-whisper large-v3 フォールバックを備えます。

Add MiniMax image understanding, image generation, speech synthesis, and transcription tools to DeepSeek Harness.

Reads a video or audio file into metadata, sampled stills, subtitles and a multilingual speech transcript with speaker labels, captures the live desktop as frames or a recording, and installs its ffmpeg/whisper.cpp/sherpa-onnx toolchain on first use with per-file sha256 checks; all processing stays local. Automatic toolchain install and desktop capture currently support Windows x64 only, so elsewhere ffmpeg and model paths must be set manually.

Dictate prompts into the DeepSeek Harness Web Client — a microphone in the composer, with swappable transcription: hosted Whisper API, self-hosted server, or a fully offline whisper.cpp binary.

Subtitle-first video transcription and deterministic extractive Markdown summaries, with a faster-whisper large-v3 fallback when subtitles are unavailable.

MiMo (Xiaomi) tools as a DSH profile plugin: web search, image/audio/video understanding, ASR transcription, TTS, voice design and voice cloning — native agent tools with a Settings page for the API key.

DeepSeek Harness plugin: multimodal tools (image/audio/video/document understanding, transcription, image generation) via Gemini API or the local Antigravity CLI.