dsh-mimo-voice

dsh-mimo-voice

DeepSeek Harness 的本机语音输出插件。调用小米 MiMo TTS 合成语音，写入 audio/ 目录，经 ffplay 由本机音箱播放。

功能：

• 通过系统提示词注入，使模型在每次回复时调用 speak 输出语音
• 审批请求挂起时播放提醒语音
• 设置面板中配置 API 密钥、音色描述，并支持试听与样本固化

安装

pnpm --dir C:\Users\<user>\.dsh\profiles\desktop add link:D:/path/to/dsh-mimo-voice

随后在 profile 的 package.json 中将 dsh-mimo-voice 加入 dsh.profile.bundles，重启桌面端。

依赖 ffplay / ffmpeg，默认查找 C:\ffmpeg\bin\，也可通过环境变量 FFPLAY_PATH / FFMPEG_PATH 指定。

配置

打开 设置 → 插件 → dsh-mimo-voice。面板分为 音色、输出行为、密钥 三部分，修改后需点击底部「保存」写入 config.json。右上角状态标记表示密钥是否已配置。

配置项	说明
音色描述	生成音色所用的自然语言描述。voicedesign 模型每次调用重新生成音色；试听后可将结果固化为克隆样本
试听文本	试听时合成的文本内容
当前音色	显示为「克隆样本」或「每次生成」，克隆模式可切回生成模式
输出开关	总开关。开启时注入提示词规则且 speak 正常合成；关闭时既不注入规则，speak 也直接拒绝，不发起 TTS 请求
审批提醒	审批请求挂起时播放提醒语音
提醒文本	候选提醒语句列表，逐条添加与删除，播放时随机选取；列表为空时使用默认语句。句首可加 （语速快，很焦急） 形式的语气标签
API 密钥	MiMo API 密钥，以明文存储于插件根目录 .env

实现

插件不解析、不筛选取要朗读的文本。它向系统提示词注入一个 section，声明本机具备语音输出能力，要求模型在每次回复时调用 speak 输出一句，语气以 text 开头的括号表达，正文不出现括号与记号。

输出开关同时控制两处：

• 提示词：开启时该 section 返回规则正文；关闭时返回空字符串，本轮提示词不含该节。
• 工具：speak 的 execute 在入口处读取开关，关闭时返回失败状态且不发起 TTS 请求。

注入使用 ctx.systemPrompt.section({ name, order: 3250, interpolate: false, text })。text 传入函数而非字符串，每次组装提示词时读取 config.json，因此切换开关无需重启 DSH。interpolate: false 用于避免规则正文中的花括号被提示词引擎插值。order: 3250 使该 section 位于提示词末尾，靠近生成阶段，避免被前文稀释。

规则正文定义于 lib/index.js 的 SPEAK_POLICY。

语气标签

按 MiMo 官方文档（speech-synthesis-v2.5）的音频标签规范：标签置于 assistant 文本开头、紧接正文首字，半角 ()、全角 （）、方括号 [] 均可，多个标签可置于同一对括号内。

标签应使用正向、可执行的描述，不使用否定式。模型对否定词不敏感，尾音不抬、别拖长 等写法可能产生反向效果；应改为 尾音收住往下落、语速稍慢 等正向表述。

优先使用官方词表内的词项：

• 整体语调：温柔 / 高冷 / 活泼 / 严肃 / 慵懒 / 俏皮 / 深沉 / 干练 / 凌厉
• 复合情绪：怅然 / 欣慰 / 无奈 / 愧疚 / 释然 / 嫉妒 / 厌倦 / 忐忑 / 动情
• 句中标签：气声 / 叹气 / 深呼吸 / 轻笑 / 冷笑 / 哽咽 / 颤抖 / 鼻音 / 不耐烦 / 心虚 / 撒娇 / 小声 / 提高音量喊话

不应在标签中使用音色词（磁性 / 醇厚 / 清亮 / 空灵 / 稚嫩 / 苍老 / 甜美 / 沙哑 / 醇雅）。音色由 voiceDesign 定义，而 voicedesign 模型每次调用重新生成音色，标签中出现音色词会导致该次调用的基础音色一并改变，造成音色漂移。

voiceDesign 本身已覆盖长期设定：音色质感、语速、情绪基调均属官方支持的维度。标签仅用于表达与常规不同的临时调整，避免与音色描述产生互斥指令。如需完全固定音色，使用 voiceMode: 'clone' 并提供参考样本。

voicedesign 模型不支持唱歌模式，也不支持预置音色与音色复刻，后者需使用 mimo-v2.5-tts。

版本说明

0.3.0 及更早版本由插件监听 assistant/message 事件并截取文本朗读，实现中包含 pickLine 函数与 【念】 记号。0.4.0 起移除该链路，改为提示词注入方案。0.4.1 起输出开关由「仅控制提示词注入」改为总开关，关闭时 speak 同样不可用。

API

方法	路径	说明
GET	/api/dsh-mimo-voice.config	读取配置，密钥仅返回 hasKey 布尔值
POST	/api/dsh-mimo-voice.config	写入配置
POST	/api/dsh-mimo-voice.preview	试听，body 可含 text / voiceDesign
POST	/api/dsh-mimo-voice.pin	将最近一次试听结果固化为音色样本
POST	/api/dsh-mimo-voice.speak	朗读指定文本
POST	/api/dsh-mimo-voice.stop	中止当前播放

工具定义：speak(text, wait?)。

限制

• voicedesign 与 voiceclone 每次调用按描述重新生成音色，结果不完全一致。需要固定音色时应使用克隆模式。
• 两个模型均为非流式接口，音频一次性返回，无法边合成边播放。
• TTS 接口限流 RPM 100，超出返回 429，需等待后重试。

测试

node test/smoke.mjs          # 仅验证注册，不发起网络请求
node test/smoke.mjs --speak  # 实际合成并播放