dsh-voice-speak

「老大，报告出来了，快回来看看！」

让 DeepSeek Harness 里的 AI 真的开口找你——配上屏幕右下角弹出的「鲸鱼娘」气泡，做你的专属进度秘书。

零第三方依赖，纯 ESM JavaScript，无构建步骤
仅 Windows（语音与桌面气泡都依赖系统能力）
本版本：3.4.2（版本演进见 CHANGELOG.md）

🐳 大概是这样

23:47  你切去看编译日志了，AI 在后台跑完一轮——

🗣️   「老大，编译过了，测试全绿，回来看一眼。」
🐳   屏幕右下角同时浮出「鲸鱼娘」气泡，写着同一句话。

它说人话、不念代码路径；你不在屏幕前，它也会来找你。

✨ 核心特性

🗣️ 不念原文，说人话：这句话由模型按你的偏好当场改成口语（「老大，报告出来了，回来看看」），不是把回答、文件路径、代码堆栈干巴巴念一遍。
🐳 鲸鱼娘桌面气泡：浏览器最小化也看得见——独立桌面小窗、不抢焦点、按真实播放时长自动关闭。
⚡ 断网也能极速出声：四条路径逐级兜底（本地离线「晓晓」→ SAPI 适配器 → Edge 在线 → Windows 内置）。本地离线这一路实测合成 0.3–0.5 秒（旧 SAPI 路径同长度约 2 秒），想断网都难。
🛡️ 只在关键节点开口：卡住了、要你拍板、长任务完成——插件自己兜底播报，不依赖模型记不记得，也不废话连篇。
🔀 说完一句再说下一句：多句排队逐条播，最多排 3 句，满了丢等待队列里最旧的那句；正在说的那句永不打断。

插件本体只做两件事：一个 say 工具，一段「什么时候该说、怎么说」的系统提示词。其余判断留给模型——它知道你在忙别的、不一定盯着屏幕。

📦 安装

环境要求：Windows 10 / 11、Node.js ≥ 20、DeepSeek Harness 的 web profile（其他 profile 同样可挂载，语音与气泡是系统级能力）。

插件通过 profile 的 pnpm 管理，dsh plugin 会把参数转发给该 profile 目录下的 pnpm。

从 npm 安装（推荐）：

dsh plugin --profile web add dsh-voice-speak

从本地目录安装（开发、或想跟 main 分支）：

git clone https://github.com/tianDe966/dsh-voice-speak.git
dsh plugin --profile web add link:D:/path/to/dsh-voice-speak

如果 dsh plugin ... add dsh-voice-speak 卡住没反应（个别网络环境下见过，pnpm 在 profile 里拉包时会一直等），改用 tarball 这条路，能绕过 profile 的依赖解析：
npm pack dsh-voice-speak --pack-destination D:/tmp
dsh plugin --profile web add file:D:/tmp/dsh-voice-speak-3.4.2.tgz

确认装上了：

dsh --profile web --dump-config | findstr tool-voice-speak

配置树里出现 tool-voice-speak 才算激活。挂载是热的，当轮会话就能用。

确认真的出声： 让 AI 说一句，或看运行日志：

Get-Content (Join-Path $env:TEMP 'dsh-voice-speak.log') -Tail 5

应看到类似一行：

2026-10-30 15:37:51.871 engine=local voice=Xiaoxiao via=helper pitch=+10% rate=-4% len=52 synth_ms=460 audio_ms=9740 play_ms=11467 OK

为什么需要 dsh-voice-speak

社区里已经有很优秀的语音插件（全双工对话、语音输入等），但它们有一个共同点是：「等待用户发起交互」。

要么是你按住麦克风说话，它把语音转成文字发给 AI（语音输入）。
要么是你开启全双工，像打电话一样和 AI 聊天，你一句它一句。

那么，当你不看着屏幕，或者 AI 在后台长跑时，AI 如何主动找到你？

dsh-voice-speak 补的正是这一层：值得你回来看一眼的事，用声音喊你一声。

不念原文：不是冷冰冰的机械播报，而是根据你的偏好采用动态语气，喊「老大，报告出来了，回来看看。」
桌面气泡联动：浏览器最小化也能看到，右下角浮出「鲸鱼娘」气泡写着同一句话；不抢焦点，按真实播放时长关闭。
只在关键节点开口：卡住了、要你拍板、阶段完成——不念每一条回复，做你的专属进度秘书。

（当然你也可以同时安装全双工语音插件和本插件：一个用来听你说，一个用来替你喊。）

什么时候开口

AI 侧：一个工具

模型调用 say({ text }): { status: 'queued' | 'muted', text }。queued 表示「已交给播报」，语音在后台说完，任务不等它；muted 表示当前处于远程模式静默，这句没有出声（会写一行日志），不要当成已经播过。

四类时机（按优先级）

插件的提示词会随会话注入：

重要阻碍（必说）：需要你授权/审批、需要你动手或补信息、外部卡住、同一个问题修两次仍失败
阶段性成果（必说）：功能跑通、测试通过、报告或文件交付、关键 bug 定位
关键进展/突破（说）：方案定了、方向变了、难题解决、关键数据出来了
每轮收尾（说）：这一轮只要给了结论、交付物或下一步，就报一句

不说：刚开始做、正在做、单步命令、无结论的尝试、复述计划；只寒暄只闲聊且没有结论的轮次；同一件事不重复说，一轮主动播报不超过 3 次。

措辞口径：一句话、不超过 30 字、最多两个小句，说人话，不念文件路径和错误堆栈。

口径可以在系统提示词里按你的习惯改，也可以让项目里的偏好文件覆盖——插件会把裁决权让给用户偏好（见 lib/prompt.js 末段）。

插件侧：四类事件自动兜底

模型会忘、会漏，所以关键事件由插件自己判定：

场景	判定依据	播报
审批等待	`approval/asked`	有个操作要你批一下
提问等待	`tool/call` 且工具是 `ask_user_question`	有个问题要你定
轮次报错 / 阻塞	`turn/end` 且 reason 为 `error` / `blocked`	这轮出错了 / 卡住了
长轮次收尾	`turn/end` completed 且 ≥120 秒、≥2 次工具调用	这轮跑完了
长后台任务	`jobs.events` settled、≥90 秒、没有被前台等待	后台任务跑完了 / 失败了

降噪：同一审批/提问/任务只报一次；模型刚说过话 10 秒内不再补审批/提问；长轮次收尾要求距上次播报 ≥45 秒；后台任务完成要求 ≥30 秒。子代理与官方定时任务（schedule）一律不自动播报——后者交给邮件/微信通道。

桌面气泡

说话时右下角出现一个小窗，标题「鲸鱼娘」，写的就是正在念的那句话。

独立桌面窗口，浏览器最小化也在
WS_EX_NOACTIVATE，弹气泡不抢焦点，正在打的字不会被抢走
贴右下角、按 DPI 真实工作区定位，任意缩放下不出界
同一时刻只留一个气泡，后一句顶替前一句
关闭时机取自真实播放时长，不是按字数估算

搭配推荐：dsh-remote-notify / dsh-channel-wechat

如果你会把电脑扔下不管、改用手机或微信继续对话，建议同时安装配套插件 dsh-remote-notify：

send_email：阶段性汇报直接发到邮箱（SMTP 自填，收件人固定）
set_remote_mode：进入远程模式后语音自动静默、不再打断你；回到本地时手动关掉，或直接发一条桌面消息——插件会把标记自动解除

两者配合的效果是：你在电脑前 → 用声音喊你；你不在电脑前 → 不吵，改用邮件与微信。单装 dsh-voice-speak 完全可用，只是少了这层「人不在」的切换。

再配上 dsh-channel-wechat 通道，汇报还能直接发到手机微信——人在路上也知道进度，甚至能让它给你讲个故事……啊呸，汇报工作。

进阶配置

点击展开：音色与调音（含「断网也保持同一说话人」的离线方案）

默认按下面的顺序尝试，前一档不可用就落下一档（三条引擎、四条路径）：

顺序	引擎	是否需要网络	说明
1	本地离线「晓晓」（自带 helper）	否	3.4.0 起走微软 Embedded Speech SDK，不注册 SAPI、不要管理员
2	本地离线「晓晓」（SAPI 适配器）	否	老路子，装了适配器的机器上作为 helper 的后备；适配器需自行安装，插件不分发、不代注册
3	Edge 在线自然音色	是	`zh-CN-XiaoxiaoNeural`，零依赖手写 WebSocket 协议
4	Windows 内置语音	否	最后兜底，音色明显老一些，但一定出声

默认调音：pitch=+10Hz / rate=-4%（本地引擎用 SSML 的 +10% / -4% 对齐）。想换成自己的声线，只改 lib/tts.js 顶部三个常量，不动其它逻辑。

音色表里的耗时是实测值（本机，engine=local … via=helper synth_ms=…）：普通一句话合成 0.3–0.5 s，旧 SAPI 路径同长度约 2 s。首声随之提前约 1.5 s（这个数由合成耗时推算，没有单独埋点首声时间）。句子越长越慢，52 字句子合成约 0.46 s、音频约 9.7 s。

可选：开启离线自然音色。 默认走 Edge 在线音色即可用。想要断网也保持同一说话人，需要在本机准备两样东西（都不进仓库，也不进 npm 包）：

语音模型：微软 Narrator 自然语音包 Microsoft Xiaoxiao (Natural)（微软签名 MSIX，解压即用），或者其他语音包。
合成 SDK：微软 Embedded Speech SDK 的 x64 运行文件（Microsoft.CognitiveServices.Speech.core.dll、...extension.embedded.tts.dll、...onnxruntime.dll、...codec.dll、...csharp.dll 加 VC 运行库），放在一个独立目录里。

npm 包里没有 bin/dsh-tts-helper.exe（只有 tools/tts-helper/ 的 C# 源码），所以从 npm 安装的用户要自己编译一次，编译只需要 .NET Framework 自带的 csc.exe。

然后编译插件自带的 helper：

node tools/build-tts-helper.mjs --sdk "D:\DSH_Project\TTS\SpeechSDK\win-x64"

产物是 11 KB 的 bin/dsh-tts-helper.exe（只有我们自己的代码，二进制不入库、不进 npm 包）。运行时它按需从 --sdk 目录加载微软的 DLL，用本机已安装语音模型自带的许可信息初始化引擎，再合成 24 kHz/16-bit/单声道 WAV 交给常驻播放进程。

路径可用环境变量覆盖；找不到 helper 或 SDK 就自动回落到 SAPI 适配器，再回落到 Edge。

说明：这一步用的是你本机已安装的微软语音资产，属于本机自用的非官方用法，不是微软授权的分发方式——所以语音模型、Speech SDK 与 helper 二进制都不随插件分发，本 README 也不提供下载指引。做法参考了开源适配器 NaturalVoiceSAPIAdapter。

点击展开：环境变量

变量	取值	作用
`DSH_VOICE_SPEAK_ENGINE`	`auto`（默认）/ `local` / `edge` / `sapi`	强制某一路引擎，跳过前面的顺序
`DSH_VOICE_SPEAK_FALLBACK`	`off`	关掉事件驱动的自动播报，`say` 不受影响
`DSH_VOICE_SPEAK_SDK`	目录	helper 加载的 Speech SDK 目录；默认 `D:\DSH_Project\TTS\SpeechSDK\win-x64`（作者本机路径，第三方需覆盖）
`DSH_VOICE_SPEAK_VOICE_DIR`	目录	语音模型目录；默认 `D:\DSH_Project\TTS\NaturalVoices\Xiaoxiao`（同上）
`DSH_VOICE_SPEAK_NO_HELPER`	`1`	禁用 helper，强制走 SAPI 适配器那一路（排错用）
`DSH_VOICE_SPEAK_NO_HOLD`	`1`	关掉「播放期间让宿主等这句播完」的定时器（默认开，上限 18 s；只影响宿主要退出的场景）

点击展开：日志与排错（没声音、句尾被截怎么查）

诊断日志按句一行，写在 %TEMP%\dsh-voice-speak.log：

engine=local|edge|sapi voice=… pitch=… rate=… len=… audio_ms=… play_ms=… OK|ERR

audio_ms 只有本地与内置语音给得出（渲染出的 PCM 时长）；Edge 是 MP3，日志里换成 synth_ms=…（云端合成耗时）加 play_ms=…（到播完的总耗时）。

完全没声音，按顺序看：

日志最后一行是否 OK。有 play_ms=… OK 说明语音已送到默认输出设备，问题在系统侧（输出设备选错、音量静音、应用音量）。
ERR read ECONNRESET 是 Edge 云端被重置，插件会自动重试并回落，声音通常仍出。
engine=local … UNAVAILABLE 表示没找到本地晓晓，已回落 Edge——想用离线音色就按上面「音色与调音」里的离线方案装。
say 返回 status: 'muted'：说明远程模式标记 ~/.dsh/rules/remote-mode.on 存在，这句被静默，日志里有一行 say 已静默（remote-mode 标记存在，未出声）。桌面端收到一条用户消息会自动删掉该标记（微信会话的回合不算），所以人回到电脑前说话、语音就恢复，不需要谁记得关远程模式。
audio_ms 是渲染出的音频真实时长，play_ms 是子进程总耗时（含渲染与排队），两者差 1–2 秒属正常。

句尾被截（最后一个字像被挂电话）：3.1.2 及以前只发生在蓝牙耳机（A2DP）下——A2DP 在应用关闭音频流时会丢弃耳机端未播完的缓冲。3.2.0 起本地语音改为常驻播放进程，3.3.0 起 Edge 与内置语音也走同一常驻进程与同一端点，蓝牙与外放均已实测完整。若升级后仍被截：

查日志里的 engine：engine=local／engine=edge／engine=sapi device=resident 三种都落在常驻进程的同一个端点上；只有 engine=sapi mode=…（没有 device=resident）才是回落到了每句一个进程的老路径，那条路径在蓝牙下会截；
查是否每句都在重建设备：play_ms 若接近 audio_ms + 1.3 s，说明 worker 在反复重建（多半是空闲 60 s 超时或崩溃重启）。

点击展开：已知限制（装之前值得看一眼）

只说、不听：没有语音输入与双向对话
只支持 Windows：语音引擎、气泡、MCI 播放都依赖系统能力
不是音色克隆：是现成音色调参
宿主退出时最多等 18 秒：播放期间插件会挂一个定时器让宿主等这句播完再走，上限 18 秒（2026-10-30 由 10 秒上调，因为 52 字句子实测整段要 11.5 秒）。但 process.exit()、关控制台窗口、taskkill /T 这类硬退仍会当场掐断当前句——不预留孤儿播放。
云端协议是外部依赖：微软改接口时云端路径可能失效，届时自动回落内置语音，功能不断
气泡比首声早约 0.5 秒：气泡在调用瞬间出现，语音要先合成。3.4.0 换成 helper 这条路之前，这个差值是 1–1.5 秒（合成慢）
自动播报阈值偏保守：长轮 120 s / 长任务 90 s / 静默窗 30–45 s，可按实际体感再调
常驻一个 PowerShell 进程：三条引擎都落在这个常驻进程与同一个音频端点上——本地语音把 WAV 直接写进 waveOut；Edge 的 MP3 由同一进程用 MCI 播放，并有一路循环静音流撑住端点不空闲（A2DP 在端点空闲时才丢缓冲）；内置语音渲染进同一个 waveOut 设备。空闲 60 s 才退出。只有常驻进程完全起不来时，才会回落到「每句一个进程」的老路径。
超过 60 s 不说话的第一句要多等约 1.3 s：设备要从关闭状态重新打开
npm 包不含离线语音能力：helper 二进制、微软 Speech SDK 与语音模型都不随包分发；上面出现的 D:\DSH_Project\TTS\… 只是作者本机路径，第三方要自己准备并用环境变量覆盖，否则第一档（helper）直接落空，自动回落到 SAPI 适配器 / Edge。

点击展开：开发（跑测试、目录结构、两条不能改的工程约束）

cd dsh-voice-speak
node --test        # 35 项：触发判定 + 事件接线 + 静默路径 + worker 协议，不需要出声

纯 ESM、无构建步骤、无第三方依赖。目录：

文件	职责
`lib/index.js`	入口：注册 `say`、注入提示词、接 `session/event` 与 `jobs.events`
`lib/prompt.js`	提示词全文（改口吻/触发口径只动这里）
`lib/triggers.js`	自动播报判定、去重、静默窗、时长阈值
`lib/tts.js`	播放层：队列 + 三引擎调度 + 日志
`lib/edge.js`	Edge TTS 客户端（TLS 握手、WebSocket 帧、`Sec-MS-GEC v2` token）
`lib/pet-bridge.js`	桌面气泡窗
`cordis.patch.yml`	一行挂载声明

lib/tts.js 里有两处不能改的工程约束：PowerShell 一律用 -EncodedCommand（不拼 -Command 字符串），播放子进程用 attached + unref() 而不是 detached。原因都记在仓库经验库里。

致谢

这个插件站在不少开源项目的肩膀上，按依赖/借鉴程度排序：

DeepSeek Harness（@deepseek-ai/dsh、cordis 插件体系）——工具注册、系统提示词注入、会话/任务事件都在它的公开契约之上
gexgd0419/NaturalVoiceSAPIAdapter（MIT）——把 Azure/微软自然语音接成标准 SAPI 引擎；没有它就没有离线「晓晓」这一层
rany2/edge-tts 与其中的 Sec-MS-GEC v2 分析（PR #492）——lib/edge.js 的 token 生成与重试策略来自社区对 Edge「朗读」协议的公开研究（代码为独立零依赖实现，非直接移植）
msedge-tts（npm）——早期验证协议可用性时用作对照
微软「晓晓」自然语音——音色属于 Microsoft，本插件只做调用
本机 dsh-plugin-photoshop（本地插件，非本仓库）——say 的 registry-ready 工具定义写法参照了它的 lib/tool.js

dsh-voice-speak

Install

Source

Tags

Creators

Readme

dsh-voice-speak

🐳 大概是这样

✨ 核心特性

📦 安装

为什么需要 dsh-voice-speak

什么时候开口

AI 侧：一个工具

四类时机（按优先级）

插件侧：四类事件自动兜底

桌面气泡

搭配推荐：dsh-remote-notify / dsh-channel-wechat

进阶配置

致谢

许可