dsh-voice-assistant
dsh web 语音助手：说出唤醒词（如「小鲸」）即可免手听写，说话内容自动转成文字填入输入框；支持口述编辑指令（发送、清空、换行、停止朗读），并可用中文朗读 AI 回复。语音识别基于 sherpa-onnx WASM 在浏览器本地运行，离线可用、无需 API Key。
README🎙️ dsh-voice-assistant
dsh web 免手语音助手 —— 关键词唤醒 · 语音听写 · 口述编辑 · 中文朗读
在 dsh web 输入框旁提供麦克风按钮与科幻风状态条，让你彻底解放双手：说「小鲸」唤醒，口述指令自动入框，回复自动朗读——全程不离键盘，不碰鼠标。
识别引擎默认使用 sherpa-onnx WASM 在浏览器本地运行：模型跑在浏览器里，离线可用、不依赖 Google 服务，国内网络无需任何代理。仅在本地资源加载失败时自动回退浏览器 Web Speech API。
✨ 功能特性
| 能力 | 说明 |
|---|---|
| 🎤 关键词唤醒 | 说「小鲸」（或任意自定义词）唤醒。同音/近音容错自动生效：同音字直接唤醒；近音字需 3s 内二次确认（防误唤醒，可关） |
| ⚡ 实时响应 | 利用流式中间结果不等整句说完：唤醒词一出口立即唤醒，口述命令（执行发送/执行清空等）边说边执行，无需等待静默判定 |
| 🗣️ 语音听写 | 唤醒后连续口述，逐句自动填入输入框，30s 无语音自动回待命 |
| ✏️ 口述编辑命令 | 所有命令以「执行」开头（如「执行删除上一句」「执行发送」），正文中的「发送/清空/删除」等词永不误触；含同音字容错（如「直行发宋」→执行发送），直接操作草稿 |
| 📖 中文朗读 | 模型回复自动以中文女声朗读，可随时语音打断（barge-in） |
| 🤖 本地离线识别 | sherpa-onnx WASM + 流式 Zipformer 模型，浏览器本地推理，隐私不上云 |
| 🧩 一键安装更新 | 设置页内置「检查更新」，跟随 GitHub 最新版一键升级 |
| ⚙️ 热配置 | 唤醒词 / 前置 skill / 问候语 / 识别引擎等全部即时生效 |
🚀 快速开始
▼bash复制代码# 方式一：npm registry（稳定版，需已安装 dsh web） npm i -g dsh-voice-assistant # 方式二：GitHub 开发版（含尚未发布的改动） dsh plugin --profile web add github:supersyh-sss/dsh-voice-assistant # 重启 dsh web
打开 dsh web（默认 127.0.0.1:3080），插件加载后自动进入待命监听，说「小鲸」即可开始使用。
npm 全局安装后，dsh 通过 profile 的 bundles 加载插件：确认
~/.dsh/profiles/web/package.json的dsh.profile.bundles中包含dsh-voice-assistant，或使用dsh plugin --profile web add dsh-voice-assistant登记，然后重启 dsh web。
更新插件（设置页 → 语音助手 → 检查更新，或终端执行）：
▼bash复制代码# npm 安装（跟随 registry 最新版） npm i -g dsh-voice-assistant@latest # GitHub 安装（跟随 GitHub 最新提交） dsh plugin --profile web update dsh-voice-assistant
🧠 识别引擎
插件内置两种识别引擎，可在设置页热切换：
| 引擎 | 说明 |
|---|---|
auto（默认） | 优先本地 sherpa 识别，加载失败自动回退浏览器识别 |
sherpa | 强制本地识别，离线可用、不依赖 Google；加载失败则明确报错 |
web-speech | 始终使用浏览器自带识别 |
响应速度：识别为流式解码，中间结果每约 0.3s 刷新一次。插件利用中间结果即时响应——唤醒词与短命令不等「说完话 + 静默判定」即可触发；句尾判定静默窗口已收紧（有内容句 1.0s、静默清理 1.6s），整句听写结果也比默认更快返回。
唤醒准确度：唤醒词采用「L1 同音强命中 + L2 近音弱命中」两层判定——同音字（如 ASR 把「小鲸」识别成「小京/小金」）直接唤醒；近音字（如「秀经/小姐」）在严格模式下需再说一遍确认，普通说话不误唤醒。容错基于通用拼音引擎，对任意自定义唤醒词自动生效，无需维护词表；pinyin 库加载失败时自动降级为纯字面匹配，不影响监听。
热词增强：唤醒词与全部「执行」命令词会注入 sherpa 识别器热词表（hotwords），识别器对关键短语加权——唤醒与命令的命中率显著提升，且不影响普通口述内容的正常识别。
识别为提升不同麦克风/距离下的准确率做了 4 层音频处理：采集时显式开启浏览器底层的自动增益 / 降噪 / 回声消除；音频链插入 80Hz 高通滤波，滤除风扇、空调等低频环境噪声；软件层做自动增益（AGC）——语音块自动放大到目标电平（小声也能稳定识别），并叠加设置页「输入音量」（1~4 倍）微调，tanh 软限幅防削波；静音块（RMS 低于约 -50dBFS）直接丢弃，避免环境底噪被识别成「嗯/啊」等干扰词。注意软件增益仅对本地 sherpa 引擎生效（web-speech 音频不经插件）。
本地识别资源托管在 GitHub（assets/），启动时自动按顺序探测可用源：
- jsDelivr CDN（默认主源，国内可达）
- Gitee 镜像（可选，导入后自动优先）
- ghproxy 代理
- GitHub raw（兜底）
手动指定资源地址：设置页「资源服务器地址」直接填写，或在控制台执行
window.DSH_VOICE_BASE = "https://…"后刷新页面，优先级高于自动探测。
⚙️ 设置页
在 dsh web「设置 → 语音助手」中调整（即时生效）：
- 唤醒词：逗号分隔多个，热切换；同音/近音容错自动生效（自定义词同样支持）
- 严格唤醒：开启时近音唤醒词需 3s 内再说一遍确认才生效，防误唤醒；关闭则近音也立即唤醒
- 前置 skill：作为系统提示注入模型上下文，不显示在输入框、不随语音发出；留空使用内置缺省值（语音助理定位：简洁、行动导向、先做后说），填入后覆盖缺省
- 唤醒问候 / 问候语模板：支持
{时段}占位符 - 自动朗读回复：回复完成后自动朗读
- 空闲超时：唤醒后无语音自动回待命
- 识别引擎：auto / sherpa / web-speech
- 输入音量：麦克风声音太小时调大（1~4 倍），仅本地 sherpa 识别生效；静音时自动不放大
- 资源服务器地址：本地识别资源下载源（以
/结尾），留空自动探测；修改后重启 dsh web 生效 - 版本与更新：显示当前版本，一键「检查更新」，发现新版本可直达 GitHub 发布页 / 复制更新命令
🎛️ 口述命令
唤醒后说出以下命令即可执行，命令本身不会进入输入框：
| 命令 | 别名 |
|---|---|
| 执行删除上一句 | 执行删掉上一句 / 执行删除最后一句 / 执行删掉 |
| 执行清空 | 执行清空草稿 |
| 执行换行 | 执行另起一行 |
| 执行发送 | 执行发送消息 |
| 执行停止朗读 | 执行别读了 |
| 执行朗读 | 执行读一下 / 执行念一遍 |
| 执行停止监听 | 执行关闭监听 |
| 执行终止回答 | 执行停止回答 |
| 执行新开会话 | 执行新建会话 / 执行新对话 |
所有命令统一以「执行」开头，这是防误触的核心设计：正文口述中常见的「发送」「清空」「删除」「换行」等词本身永远不会触发命令，只有整句以「执行」开头的命令短语才生效（如「执行发送」「执行清空」）。「执行」前缀带同音字容错（「直行」→执行、「执刑」→执行等），误触概率趋近于零。
「执行终止回答」相当于按下停止生成按钮：取消当前正在进行的回答（排队中的内容保留、取消后继续执行）；「执行新开会话」相当于点击新会话：创建空白会话并切换到它（保留当前工作目录），切换后自动恢复监听，直接开讲。
命令词支持同音字容错（覆盖 ASR 常见同音混淆，如「执行发宋」→执行发送、「执行清孔」→执行清空、「执行删除上遗句」→执行删除上一句），且同音匹配仅从句子开头对齐、尾部只允许语气后缀（「执行发送给张三」「执行发送一下」不会误触）。命令不可逆，因此不做近音容错——宁漏勿错，保证准确。口述命令在流式中间结果阶段即可触发，说完立即执行。
⌨️ 快捷键
| 快捷键 | 作用 |
|---|---|
Ctrl+Shift+Space | 切换常开监听 |
| 状态条「按住说话」 | 手动听写（按住说话，松开入框；朗读中可打断） |
🧰 开发
▼bash复制代码# 单元测试（核心逻辑：唤醒词 / 拼音容错 / 命令解析 / 草稿编辑） node test/logic.test.mjs # 修改源码后同步到 dsh profile（Windows） sync-plugin.cmd
▼text复制代码dsh-voice-assistant/ ├── lib/ │ ├── index.js # 插件宿主端：设置注册 + 前置 skill 注入（内置缺省值） │ └── client.js # 浏览器端：识别引擎、状态机、UI、设置页 ├── assets/ # 本地识别资源（CDN 分发） │ ├── sherpa-onnx-asr.js # sherpa-onnx C API 封装 │ ├── sherpa-onnx-wasm-main-asr.patched.js # wasm 胶水（pthread 适配） │ ├── sherpa-onnx-wasm-main-asr.wasm # wasm 运行时（12.5 MB） │ └── models/ # 流式 Zipformer 模型（encoder 走 gzip 分发） ├── cordis.patch.yml # dsh bundle 补丁清单 ├── sync-plugin.cmd # Windows 开发同步脚本 └── test/logic.test.mjs # 核心逻辑单元测试
❓ 常见问题
识别没反应？ 确认麦克风权限已允许；首次使用本地识别需下载约 38 MB 资源（之后走浏览器缓存），弱网下首启较慢。
本地识别加载失败？ 检查网络能否访问 jsDelivr / Gitee；也可在设置页手动指定「资源服务器地址」，或查看浏览器控制台 [dsh-voice] 日志中的具体原因。
唤醒偶尔误触发？ 近音容错在「严格唤醒」模式下需要二次确认，若仍觉得灵敏可关闭「严格唤醒」反查——更常见的是开启后待命时误唤醒显著减少。
口述命令识别不准？ 命令词支持同音字容错（如「发宋」→发送），但不做近音容错以免误删/误发；若某个写法反复识别失败，可反馈补充别名。
中文朗读音色不满意？ 朗读使用系统 speechSynthesis 音色库，Windows 上通常为「Microsoft Huihui」/「Microsoft Yaoyao」，可在系统设置中调整。
🗺️ 路线图
- 手动听写（按住说话 + 追加式草稿）
- 常开监听 + 关键词唤醒 + 状态机
- 问候 + 口述编辑命令 + 多轮免手输入
- sherpa-onnx WASM 本地识别（离线、国内可用）+ 多源资源自动探测
- 设置页聚合（唤醒词 / 前置 skill / 问候 / 自动朗读 / 识别引擎 / 资源地址 / 检查更新）
- 唤醒词与口述命令拼音容错（同音 L1 + 近音 L2 二次确认，自定义词通用）
- 流式中间结果实时响应（唤醒 / 短命令零等待，端点判定收紧）
- 前置 skill 内置缺省值（定位清晰、角色清晰）
- 多轮免手对话（自动分段提交 + 对话衔接）
- Edge TTS 服务端合成 + barge-in 精细化
