dsh-go-local-voice

dsh-go-local-voice · 鲸鲸朗读

English · 中文

面向 dsh-go 手机 App 原生界面的 TTS 插件（不是网页版）

给 DeepSeek Harness / dsh-go 手机 App 原生界面用的语音朗读插件： 长按任意一条回复 →「读出来」，用小米 MiMo TTS（或字节 豆包 Seed TTS）合成，直接在 App 里播放。

为什么需要它：DSH 生态里的 TTS 插件大多只跑在 Harness 网页版——它们的声音靠浏览器的 Web Audio 播， Flutter 原生界面里根本不会触发。这个插件走的是 dsh-go 桥接的 audio 能力，所以能真的出声。

功能

• 长按回复 → 读出来；也可以「存成音频」导出到手机存储（MP3）
• 小米 MiMo：mimo-v2.5-tts 内置 8 个音色（冰糖 / 茉莉 / 苏打 / 白桦 / Mia / Chloe / Milo / Dean），可加语音指令（语气、方言、情绪）
• 豆包 Seed TTS：seed-tts-2.0 / 声音复刻 seed-icl-2.0（走 HTTP v3 单向流）
• 长文一次念完：回合结束后台分段预取，点一次交出去的是一整段音频，不是"点一次念 120 字"
• 可停止：停止 按钮真的停得住（固定的播放实例 + 稳定的 lease）
• 实时状态：输入框上方状态条显示 正在合成语音… / 朗读中 0:12 / 1:40；面板里有进度条
• 音频历史：导出过的文件在面板里列出来，点一下复制路径
• Markdown 清洗：代码块、链接、表格、行内代码都不会被念出来（链接读作"链接"）

安装

插件目录放在 $DSH_HOME/dsh-go/plugins/ 下（DSH_HOME 默认 ~/.dsh）：

git clone https://github.com/27Synthesis/dsh-go-local-voice.git \
  "$HOME/.dsh/dsh-go/plugins/local-voice"

dsh plugin --profile web add "$HOME/.dsh/dsh-go/plugins/local-voice"

装完在 App 里重启一次引擎（设置 → 引擎 → 重启引擎），然后：

• 长按助手消息 → 菜单里出现「读出来」「存成音频」
• 输入框上方「插件」胶囊 →「鲸鲸朗读」

卸载：dsh plugin --profile web remove local-voice，再删目录。

配置

第一次用先在主面板里点「打开设置」，填 API Key：

项	说明
小米 Key	在 小米 MiMo 控制台 申请，形如 sk-...
豆包 Key	在豆包语音控制台申请（标准音色与 Agent Plan 都支持）
豆包音色 ID	形如 zh_female_...；用声音复刻时填复刻音色 ID
每段字数	默认 140。约 0.08 秒/字，140 字≈11 秒，稳在单次 30 秒的生产预算内
自动预取	默认开。回复一结束就在后台把整条合成好，之后点「读出来」几乎秒播

Key 只存在本机 data/settings.json（权限 0600），不会进仓库、不会出现在界面里、不会发给模型。 data/ 已在 .gitignore 中。

它是怎么做到的（给想改代码的人）

dsh-go 原生插件的桥接协议（v1.2）有三条硬约束决定了实现方式：

1. media 路由必须在 30 秒内产出字节（CAP_LIMITS.mediaMs）——这是生产预算，不是音频时长上限。
2. 音频本身可以很长（≤16 MiB），App 拿到整段自己播；play / stop 作用在同一个 instance 上。
3. 插件不能主动推播放效果：onCapability 的返回值不会被执行成效果，所以"播完自动接下一段"做不到。

于是：

• 预取：session/event 的 turn/end（completed）时，把回复按 140 字切段、并发 3 合成到 data/cache/<sha1>/sNNN.mp3，全齐后拼成 all.mp3。
• 播放：read 只建任务并立刻返回 {type:'audio', op:'play', instance:'read', src:'media:speech', key}；App 回来 GET 媒体路由，插件把缓存拼成一个整段 MP3（MP3 裸帧直拼是合法的，没有 ID3 头）。
• 冷缓存：最多等 15 秒，先交已经合成好的前几段（约 30～60 秒语音），剩下的后台继续；10 分钟内再点一次从上次停的地方接着念。

实测（小米 MiMo v2.5 TTS，非流式 mp3，手机网络）：15 字≈2.4 s，60 字≈4.7 s，120 字≈8.3 s， 240 字≈38 s（超预算），400 字≈32.6 s，800 字≈54.9 s → 这就是为什么段长取 140。

踩过的坑

• instance 必须固定（这里用 read）。每次播放换新实例名，stop 就找不到 lease，"停止"永远按不动——不是接口不支持。
• 面板的 select 下拉框不可靠：音色改成 list 一行一个、点一下立刻写设置 + toast + refresh。
• 状态必须走数据绑定（{"$": "data.info.status"}）：视图里写死文字的话，每秒推数据界面也不会变。
• 主面板只用 v1 组件（stack/text/callout/progress/list/keyValue/actions），需要输入框的项放「朗读设置」面板（v2）。

已知限制

• 不能"回复结束自动开口"：协议只允许用户点按触发播放。
• 小米目前没有语速参数（豆包有 speech_rate，面板还没暴露）。
• 暂停 / 继续：桥接的 pause 实测不可靠，已移除。
• 单次播放音频上限 16 MiB（约 5.5 分钟语音），超长回复会在后台继续合成、下次点按接着念。
• 豆包那一路没有 Key 实测过（按 v3 单向流接口写的），首次使用请先短句试听。

排查

• data/debug.log：点按、媒体字节数与耗时、audio.ended/stopped/error、预取情况（不记 Key、不记正文）
• data/settings.json：当前配置（0600）
• 自查：node $DSH_HOME/skills/dsh-go-plugin/kit/bin/check.mjs <本目录> --load

致谢

• 思路与小米/豆包接口细节参考了 dsh-xiaomi-tts（MIT）——它是网页版实现，播放侧用浏览器 Web Audio，本仓库是面向 dsh-go 原生界面的独立实现。
• 插件格式与桥接能力来自 deepseek-harness 的 dsh-go 插件协议。

License

MIT