Skip to main content
S

dsh-voice

stardustlc666/dsh-voice

Voice tools: free edge-tts neural speech synthesis, OpenAI-compatible ASR transcription, voice list, batch voice preview and health self-check.

Install

dsh plugin --profile web add github:stardustlc666/dsh-voice

README

简体中文 · English

Voice

把文字变成自然人声,把音视频变成干净文字。

DeepSeek Harness(>=0.2.2-rc.3)语音工作台插件:原生提供 5 套主题可切换的 Voice Studio 真·创作闭环侧边栏工作台(原生清透 / 米白纸感 / Claude 暖书卷 / 8-Bit 像素 / 晴空薄荷,支持 8 秒麦克风一键建克隆角色、可视化多角色对话直出 MP3、工作区成品库与点击跳转字幕跟读播放器),内建零密钥 Edge 神经网络语音(连接池复用、300+ 在线音色与 10 套人设)及 OpenAI / SiliconFlow / 自定义引擎(情绪演技、Kokoro 混音、SHA-256 缓存零样本克隆),支持 短视频词/短句粒度与卡拉 OK .ass 字幕(\kf 逐词高亮)、文稿内联停顿标记([pause:500ms])与词边界安全发音词典(pronunciations)、原生 MP3 章节书签(ID3v2 CHAP/CTOC + chaptersOutput)、零漂移 .srt/.vtt 字幕反向配音(atempo)与 VBR 多段精确时长(durationSec)、播客 BGM 自动闪避与 -16 LUFS 响度均衡,以及支持 视频文件直传抽音(.mp4/.mkv/.mov/.avi)与说话人区分(diarize) 的多引擎 STT,严格限制在当前会话工作区内。

npm downloads total downloads

安装使用 · 最快 3 步用起来 · 完整说明

把文字变成声音,把录音变成文字。 · 流程示意

核心亮点

  • Voice Studio 真·创作闭环侧边栏工作台(5 套主题):实时同步 原生清透 / 米白纸感 / Claude 暖书卷 / 8-Bit 像素 / 晴空薄荷 主题与 Coachmark 引导;支持在线试听 300+ Edge 音色与 10 套 persona、浏览器麦克风 8 秒录音一键生成克隆角色(自动保存至 voice_clones/、自动 ASR 提取参考台词并注册 customVoices)、可视化多角色对话编排器面板内直出 MP3,以及 工作区成品库 + 点击字幕跳转跟读播放器。
  • 短视频短句/逐词字幕、卡拉 OK .ass 导出、内联停顿与词边界替读:subtitleGranularity("sentence" | "clause" | "word")配合 maxCharsPerCue(默认 16)自动切出紧凑竖屏短句,subtitleOutput: "clip.ass" 直出带 \kf 逐词高亮时间轴的 1080x1920 SubStation Alpha 字幕供 dsh-ffmpeg 烧录;文稿内嵌 [pause:500ms] / [break:600ms] / [停顿0.6s] 自动编译为 Edge <break> 或匹配采样率静音帧并在字幕中自动剥离;pronunciations 具备 ASCII 词边界保护(OS、UI、SQL 绝不误伤 POST、BUILD)。
  • 有声书/播客原生 MP3 章节(CHAP/CTOC)、零漂移配音、VBR 修复与 BGM 闪避:多级标题 Markdown(#/##/###)或带 title 的 segments[] 自动写入可点击跳转的 MP3 ID3v2 CHAP/CTOC 章节书签并可通过 chaptersOutput 导出 chapters.md / chapters.json;subtitleInput 叠加 FFmpeg atempo 保调精缩实现密集字幕零累积漂移;多段 VBR MP3 拼接自动剥离 Xing/Info/VBRI 帧头确保进度条与 durationSec 完整准确;Edge TTS 内置 Keep-Alive WebSocket 连接池与瞬断重试;完整支持 bgmFile 自动闪避、-16 LUFS 响度均衡、演技 instructions 与 SiliconFlow SHA-256 缓存克隆。
  • 视频文件直传转写(.mp4/.mkv/.mov/.avi)、长文直读与说话人区分:voice_stt 支持直接传入视频容器并通过本机 ffmpeg 自动剥离画面(-vn)提取 16kHz 单声道音频送审 ASR,同时支持 diarize: true 说话人区分、autoCompress(>25MB 自动切片)与本地回环免密 Whisper;inputFile 直读 10 万字长文,voice_preview 生成交互式网页试听页,代理原生支持 http://、https://、socks5:// 与 socks5h://。

安装

在 DSH 桌面版「插件」面板搜索安装 dsh-voice,或使用命令行:

dsh plugin --profile desktop add dsh-voice

网页版把 desktop 改为 web;安装后重启一次 DSH。宿主要求 >=0.2.2-rc.3。插件附带 voice-workflow 技能包,会在语音合成、短视频卡拉 OK 字幕、章节有声书、声音克隆、字幕卡点、播客混音与音视频转写任务中自动指引助手采用最佳实践。

最快 3 步用起来

  1. 打开侧边栏 Voice Studio 工作台,零密钥即可试听、编排对话与合成:装好插件后无需填任何密钥,即可在 5 主题侧边栏工作台试听 300+ Edge 音色与 10 种 persona、在面板内可视化编排双人对话直出 MP3 并跟读字幕,或让助手直读多章节 Markdown、导出 .ass 卡拉 OK 字幕及按 .srt 时间轴零漂移配音。
  2. 按需配置备用 TTS(情绪/克隆)或 ASR 密钥(支持 8 秒录音一键克隆与本地免密 Whisper):打开 DSH「设置 → 插件 → 语音(dsh-voice)」:如需情绪指令或零样本克隆,将 ttsEngine 切为 siliconflow / openai / custom(保存即生效,还可在工作台直接录 8 秒人声一键注册克隆角色);如需音视频转写或麦克风速记,选择 asrEngine(groq / openai / siliconflow / custom)并填入 asrApiKey(本地 127.0.0.1 / localhost 免密)。
  3. 试听选声 → 合成或转写交付 → 成品库跟读验收:把文稿、.srt/.vtt 字幕、BGM、参考克隆音频或音视频文件放进当前会话工作区,生成的带章节 MP3、.ass/.srt/.vtt 字幕、chapters.md 时间轴与试听页均安全落在工作区内(默认同名自动编号不误盖),并可在工作台「工作区成品库」随时点击字幕跳转回放。

平时怎么对助手说(可直接复制的自然语言示例)

  • 联网发现音色/人设并在浏览器试听页里对比

    联网查一下带 podcast 标签的中文和英文音色,连同 late-night-radio、bilingual-tech-female 人设一起生成短试听,用 voice_previews/index.html 让我挑选。

  • 把多标题 Markdown 合成带原生 MP3 章节书签与 BGM 闪避的播客/有声书

    直接读取工作区里的 weekly-report.md,生成带原生 MP3 章节书签的有声节目(配上 assets/bgm.mp3 开启 BGM 自动闪避和 -16 LUFS 响度均衡),同时输出 podcast.mp3、podcast.srt 和节目单 chapters.md。

  • 生成竖屏短视频短句卡拉 OK .ass 动态高亮字幕 + 内联停顿

    用 energetic-anchor 朗读这段口播稿(保留稿子里的 [pause:500ms] 停顿,设置 subtitleGranularity: "clause"、maxCharsPerCue: 14),导出 clip.mp3 和带逐词高亮的 clip.ass 方便后续烧录字幕。

  • 按现有 .srt 字幕零漂移反向配音 + 词边界安全发音词典

    按工作区里的 video.srt 时间轴用 bilingual-tech-male 零漂移卡点配音(把 OS 替读成 Operating System、SQL 替读成 S Q L,不要影响 POST),导出 dubbed.mp3 和 dubbed.srt 并告诉我精确时长。

  • 零样本克隆配音(或直接在工作台 8 秒麦克风录音建角色)

    用工作区里的 sample_ref.wav(台词是「你好,我是小智,很高兴认识大家」)作为参考声音,用轻快带笑意的语气朗读这段欢迎词,导出 welcome.mp3。

  • 直接转写 .mp4 录屏/视频或大体积会议录音并区分说话人

    直接把工作区里的 lecture.mp4 抽音转写成中文(开启 diarize: true 区分说话人),同时输出 lecture.txt 和 lecture.srt,再提炼待办事项清单。

常见卡点自检

遇到的现象10 秒定位原因怎么修
自检提示「缺 ASR 密钥」但只想做朗读配音ASR 密钥仅音视频转文字需要,不影响朗读直接正常合成语音即可(自检可按 tts 范围单独查看 ttsReady)
传入 referenceAudio 提示引擎不支持克隆默认 edge 引擎不支持零样本参考音频克隆在 DSH「设置 → 插件 → 语音」将 ttsEngine 切为 siliconflow 或 custom(保存即生效)
视频直传转写、bgmFile、normalizeLoudness 或超密字幕 atempo 提示缺工具视频抽音(-vn)、BGM 闪避、-16 LUFS 均衡与 atempo 精缩需本机 ffmpeg本机安装 ffmpeg(或配合 dsh-ffmpeg 处理),未安装时先传纯音频或关闭混音/均衡开关
提示「必须位于会话工作区内」文稿、字幕、BGM、音视频、参考音频或输出路径指到了工作区外面先把文件复制进当前会话工作区文件夹再让助手处理
合成或转写报网络连接失败受限网络无法直连在线语音 / ASR 服务在 DSH「设置 → 插件 → 语音」填入本地代理 proxyUrl(支持 http:// / https:// / socks5:// / socks5h://,保存即生效)
音频超过 25MB 无法转写在线 ASR 接口单文件体积上限为 25MB让助手开启 autoCompress: true(视频文件会自动抽音压缩,需本机 ffmpeg)或先用 dsh-ffmpeg 处理

插件更新

在原生插件详情页底部检查更新。默认自动检查,默认不自动安装;是否安装、何时重启由你决定。Suite 管理的组件随整包更新。

文档

反馈与贡献

如果插件帮到了你,欢迎 Star。问题和建议请提交 Issues,也欢迎 PR(反馈时请移除凭据)。

License

MIT AND LGPL-3.0-only

Related plugins