dsh-voice-input

在 Web 界面里打字仍是多数人与 Agent 对话的主路径，但长指令、口述需求或边走边想时，键盘往往跟不上思路。更关键的是，许多语音方案会把音频送到云端，对本地部署与隐私敏感的场景并不友好。dsh-voice-input 面向 DeepSeek Harness 的聊天输入区，提供完全离线的本地听写：浏览器只负责录音，音频提交到本机 Harness 进程解码，识别结果追加到草稿里，由你自己检查后发送，不上传任何内容。

插件在输入框工具栏提供麦克风按钮：点按开始、再点结束，识别文本以空格追加到现有草稿，不会替你自动发送。模型只加载一次并保持热启动，后续录音主要承担解码开销；在默认 CPU 引擎上还可边说边出字——按静音切段做渐进识别，结束时再做整段转写与修正，减少半词被“补全”的错觉。转写过程中你仍可正常打字，已有内容会保留，实时文字插在其后。除界面外，同一引擎还以 voice_transcribe 工具形式供 CLI、SDK 或 ACP 会话转写本地音频文件。

识别之后可选“润色”：调用当前部署已选模型去掉口头禅、整理重复与标点，并尽量不改含义、不碰标识符与技术术语；失败或异常时会回退到原始识别文本。可在配置中关闭润色，或指定更轻量的模型路由，避免与主 Agent 抢大模型。默认 CPU（faster-whisper）渐进出字且无 GPU 常驻；需要时也可走 whisper.cpp Vulkan，便于在非 NVIDIA CUDA 环境下使用 GPU。

适合经常在 DSH Web GUI 里写长提示、希望口述指令又坚持数据不出本机的用户；也适合需要在无浏览器场景批量转写音频文件的集成与自动化流程。需已安装带 Web GUI 的 DSH、支持麦克风的 Chromium 系或 Firefox，以及用于一次性引擎准备的 Python 3.9+。