跳过主要内容

视觉、语音与多模态

视觉、语音与多模态类插件让 DeepSeek-Harness(dsh)里纯文本的 DeepSeek 模型也能"看图""听声""开口"。包含把粘贴的截图交给智谱 GLM、Gemini、豆包或本地 Ollama 做 OCR 与图像描述的 vision 工具和供应商路由、基于浏览器 Web Speech API 或 Whisper 兼容接口的麦克风语音输入、使用 Edge TTS 或自定义音色的朗读回复与全双工语音模式,以及图片、视频、音乐生成工具。

共 578 个插件

Z

dsh-web-ui (dsh-tool-describe-image)

zhu1090093659/dsh-web-ui

给纯文本模型补视觉:describe_image 把本地路径/URL/附件图片交给可配置的 OpenAI 兼容视觉端点,进会话的只有返回文本。

8k2个月前视觉、语音与多模态Apache-2.0
L

modlens

liustack/modlens

为纯文本模型架起视觉桥梁:粘贴图片,输出结构化 JSON 证据(OCR、版面、语义)。

5k前天视觉、语音与多模态MIT
D

ipollowork

devin-axis/ipollowork

把 iPolloWork HyperFrames 视频工作室与 27 个可编辑视频模板作为原生对话视图接入 DeepSeek Harness。

4.2k3个月前视觉、语音与多模态
S

dsh-image-gen

shanliuling/dsh-image-gen

为 DeepSeek Harness 提供原生对话生图能力:直接让 Agent 画图,插件自动完成生成并把结果保留在当前会话中。

1.6k5天前视觉、语音与多模态Apache-2.0
Y

dsh-vision-router

ysr666/dsh-vision-router

为纯文本 Agent 提供视觉能力:内置免 Key 视觉链 + 像素级视觉工具(看图问答、定位、裁剪、像素对比、取色、OCR、矢量化、抠图、截图);粘贴图片即可用。

1.3k前天视觉、语音与多模态MIT
A

dsh-vision-toolkit

anionex/dsh-vision-toolkit

让纯文本模型处理视觉任务:粘贴图片后自动切换到 Vision Toolkit 变体,支持图片问答、多图比较、长截图 OCR、截图还原前端 UI、元素定位与像素对比。默认无需 API Key——图片经作者自建的免费服务处理,每台机器每天 100 张;也可改为指向自己的服务商。

9454天前视觉、语音与多模态MIT
T

tongflow

tong-io/tongflow

TongFlow DSH Studio 插件:电影剧组式项目模型、Agent 编写的 TongFlow 工作流、确定性媒体生成和嵌入式画布。

8703个月前视觉、语音与多模态AGPL-3.0
S

dsh-see-now

saos-3624/dsh-see-now

让只有文字的智能体「看」实时屏幕或摄像头:每帧按画面变化量打分,只把真正变了的帧拼成一张带编号、带音轨条的宫格图——看视频、看演示、看游戏都行,token 只花在变了的地方。

661前天视觉、语音与多模态Apache-2.0
S

dsh-video-storyboard

saos-3624/dsh-video-storyboard

把视频(本地文件,或 B 站 / yt-dlp 链接)压成一张可寻址的宫格图:每格烧编号、对应精确时间、挂台词,底部还有同时间轴的音频包络;video_zoom 可对任意窗口高清重看——纯文本模型因此能「看」视频,而不是读别人写的摘要。

550前天视觉、语音与多模态Apache-2.0
O

watch-skill

oxbshw/watch-skill

把视频、音频与屏幕活动转成带时间戳的可检索证据(DeepWatch)。

3782个月前视觉、语音与多模态MIT
Y

dsh-tts-bridge

yuuyuko-uu/dsh-tts-bridge

用 DeepSeek 网页端自带的朗读,把 DSH 里的对话念出来,靠一个小浏览器扩展驱动。

25717天前视觉、语音与多模态
S

dsh-sd-bridge-guard

savinglighting/dsh-sd-bridge-guard

DSH 本机 Stable Diffusion 九件套:生图、重绘与手绘蒙版、脚本、模型及服务管理、完整性检测;含违规分流,自动探测/自举 SD,产物入会话区。

231上个月视觉、语音与多模态MIT
K

dsh-qwen-studio

kingcharleslzy-ai/dsh-qwen-studio

DSH 的 Qwen Image 2.1 创作工作区:本机 MLX 或自己的 NVIDIA 服务器,支持原生参考编辑、LoRA、结构控制、蒙版、整套预设、图库与对话实时进度,提供校验更新和 Agent 安装指南。

2304天前视觉、语音与多模态Apache-2.0
E

eac-design-world

ebony-vinyl/eac-design-world

DeepSeek Harness 本地视频与设计插件:多轨剪辑、模板/设计体系、原生预览画布及真实文件导出。

20225天前视觉、语音与多模态AGPL-3.0
D

dsh-imagegen

dickpy/dsh-imagegen

面向 DSH Web GUI 的 AI 生图插件:通过可配置的 OpenAI 兼容端点(gpt-image-2 / gpt-image-1 / dall-e-3)实现文生图与图生图,提供 api_url/api_key 设置卡片与侧边栏分栏生图工作台。

195昨天视觉、语音与多模态Apache-2.0
F

dsh-comfyui

fandc520/dsh-comfyui

让 DeepSeek Harness 的 Agent 直接驱动本地或远程 ComfyUI:comfyui_run / comfyui_object_info / comfyui_workflow 工具生成与编辑图像、视频,附带工作流库(图工作流提取:按分量 / 主流程 / 整体)、加载区分辨率自动匹配、实时队列、SDXL 与 Wan 2.1 模板、配套 skill 与同源媒体代理。

18923天前视觉、语音与多模态MIT
N

dsh-infinite_canvas

ninkch/dsh-infinite_canvas

DeepSeek Harness 的节点式创作工作室——在无限画布上完成剧本、分镜、参考图与多镜头视频生成,可由对话批量驱动;图像/视频/TTS 需自带服务商(OpenAI 风格接口,或 Seedance/Sora 风格视频 API),未配置时整条流水线以离线演示模式运行、只产出占位素材。

156前天视觉、语音与多模态Apache-2.0
K

dsh-spicy

kingcharleslzy-ai/dsh-spicy

适配 Purge,用自托管模型制作成人向图像、有声视频和多镜头短片,支持参考图编辑、LoRA 风格控制和 Agent 分镜剪辑。

1334天前视觉、语音与多模态Apache-2.0
F

dsh-voice-prompt-enhancer

fishsb/dsh-voice-prompt-enhancer

把输入框草稿改写为更清晰、结构化的提示词(5 模式·模型回退链·可选多轮记忆),并为 DSH 语音输入加上说完自动停、热键与口水词清理;识别仍由官方 speechToText 提供,插件不自带引擎。

13018小时前视觉、语音与多模态Apache-2.0
F

brewreel

finderchangchang/brewreel

BrewReel(精酿):为 DeepSeek Harness 写一份分镜 JSON,即可生成一支竖版宣传视频。

118上个月视觉、语音与多模态Apache-2.0
Q

dsh-imagegen-video

q253595422/dsh-imagegen-video

面向 DSH Web GUI 的 AI 生图与生视频插件:文生图/图生图按渠道配置模型目录,并按模型族适配请求协议(gpt-image、Grok Imagine、Nano Banana、Seedream、GLM-Image、Qwen-Image、MiniMax image-01、DALL-E 3),提供侧边栏生图工作台、带节点工作流的无限画布、文件预览与画布技能,以及提示词模板库;生视频侧含文生视频、图生视频、首尾帧与多参考图模式,走异步提交/轮询/下载链路,另有宿主侧视频工具、画布视频节点,并可用本机 ffmpeg 把两个以上视频节点拼接成一个 MP4。

103前天视觉、语音与多模态Apache-2.0
W

dsh-media-desk

woniuniuniu/dsh-media-desk

DeepSeek Harness自媒体工作台:一句话记灵感,一键生成脚本、封面、配图和分镜。

9513天前视觉、语音与多模态MIT
P

dsh-omi-voice

polinnizhong/dsh-omi-voice

DeepSeek Harness 对话内朗读:点一下即可朗读、暂停、继续 AI 回复,豆包 TTS 自然音色(BYOK),只读最终回答并过滤代码、表格与图形,本地引擎,插件零 Key。

753个月前视觉、语音与多模态MIT
C

deepseek-harness-video-director

chiphoton/deepseek-harness-video-director

🎬AI 导演:由 DeepSeek-Harness 执导的 MiniMax-H3 视频生成插件。🤖不只是提示词。🪄画布式 UI。

692个月前视觉、语音与多模态MIT