dsh-cyberdog-speech-sherpa

语音交互是 AI 助手最自然的入口，但多数方案依赖云端 API，意味着数据出网、按量计费、断网即失效。dsh-cyberdog-speech-sherpa 基于 Sherpa-ONNX 将整条语音链路搬进本地：中文流式语音识别采用 Zipformer 模型，语音合成采用 VITS 多音色引擎，全程离线、不联网、不收费，普通 CPU 即可流畅运行。

插件提供三个核心工具：stt_transcribe 将音频转写为文字，tts_speak 将文字合成为多音色语音，sherpa_models_download 在模型缺失时由 Agent 自动触发下载与断点续传，实现模型自愈。WebUI 侧内置按住说话按钮——按住录音、松开发送，最长 120 秒并带倒计时，转写结果自动填入输入框并提交，体验接近主流语音助手。

适合注重数据隐私的开发者、需要在离线或内网环境中部署中文语音交互的场景，以及希望以极低硬件成本（纯 CPU）为 DeepSeek Harness 添加语音能力的用户。整个插件零运行时框架依赖，模型总占用约 156 MB，MIT 协议，可直接集成进现有工作流。