dsh-realtime-voice

构建实时语音产品意味着要与 WebRTC 握手、WebSocket 帧协议、语音识别、大模型调度、语音合成以及各家供应商不同的事件模型打交道。dsh-realtime-voice 将这些复杂性全部隐藏在 DSH Host 边界之后，将产品侧的接口简化为四步：开启语音对话、观察标准化事件、执行产品自有的业务动作、结束对话。调用方只需选择已注册的模型路由，无需关心底层是 OpenAI Realtime 还是豆包 Realtime Duplex，更无需自行管理传输协议。

插件覆盖了完整的实时语音闭环：边听边说、自然的打断机制（浏览器端保守检测叠加供应商 VAD 作为权威轮次边界）、排他性麦克风租约防止多个会话争抢同一输入设备、标准化对话事件流、产品层动作注册与执行循环，以及低开销的待机原语 recognize()——它本身不打开任何供应商实时会话，仅在唤醒词匹配后才将缓冲音频作为首轮真实交互回放。浏览器媒体异常被归一为稳定的可本地化错误码，豆包输出额外提供有界音频电平事件用于数字人动画驱动，且不向消费方暴露原始 PCM 数据。

该插件适合在 DeepSeek Harness 上构建语音 Agent 的产品团队：需要在中国供应商（豆包）与 OpenAI 等海外供应商之间灵活切换，同时希望保持授权策略、持久上下文和业务语义与底层线路协议彻底解耦。插件本身不创建第二个 Agent、不拥有长期记忆、不决定动作是否被授权——这些职责始终保留在集成它的产品插件中。