プラグイン

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。

Bilibili 動画分析: メタデータ、文字起こし（Bijian/sherpa-onnx/whisper.cpp による ASR フォールバック）、コメント、弾幕、鮮明なキーフレーム。ローカルビジョンによる説明生成もオプションで対応。

低コストな動画理解ツール。video_understand ツールが Bilibili リンク / BV / ローカル動画を AVIS 情報層（ASR + シーン構造 + オブジェクト追跡 + YOLO ラベル）に変換し、要約 + Q&A を返す。質問主導のレイヤー間ダイナミックルーティング（L0 ASR / L1 オブジェクト追跡 / L2 キーフレーム VLM）、繰り返し質問向けの意味レイヤー再利用、質問ごとの予算上限を備える。Python エンジン: コア層には faster-whisper / opencv / yt-dlp が必要（約200-300MB）。任意の意味層を追加すると torch / transformers / ultralytics が約2GB 増える。付属の doctor --fix が venv をセットアップし、両方をインストールする。

Web UI向け音声入力：無音区間で分割するディクテーションと音声メッセージを提供し、それぞれに独自のプロバイダーフォールバックチェーン（Deepgram、Groq、HuggingFace、ローカルwhisper.cpp、またはOpenAI互換エンドポイント）があります。

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。

Web UI 用音声入力:コンポーザーのマイクボタンがブラウザ Web Speech API(ゼロコンフィグ)または OpenAI 互換 Whisper API(OpenAI / Groq)で音声をドラフトに転写。Settings でモデルと言語を選択可能。

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。

Bridges Feishu, WeCom, DingTalk, QQ, Slack, Discord, Telegram and Mattermost into dsh agents (outbound WS/Stream/Gateway/long-poll/webhook), with im_status, optional local Whisper ASR, plain-text outbound for QQ/DingTalk/Telegram/Mattermost, and env CSV allowlists (DSH_IM_*_ALLOWED_USER_IDS). Empty allowedUserIds means EVERYONE can drive your agent — set a whitelist before exposing a bot.

Local-first voice conversations for DSH, with local speech recognition and synthesis and optional external providers.

DeepSeek Harness(dsh)向けの音声機能——テキスト専用の DeepSeek に対する音声入力(STT)と読み上げ(TTS)を提供します。API キー不要。

Opt-in DeepSeek Harness skill bundle that turns course, lecture, tutorial, documentary, meeting, and talk videos into structured study notes.

开口即成文 · Speak-to-prompt for DeepSeek Harness：云端 ASR 语音识别 + 提示词优化 + 填入草稿/自动发送，跨平台 macOS / Windows。

Voice for the DeepSeek Harness: speak to the agent, hear it back, and see what it is doing from a floating window that stays on top of whatever you are running.

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.