🎙️ 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

🚀 快速开始

# 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）：

# 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：

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：

1. jsDelivr CDN（默认主源，国内可达）
2. Gitee 镜像（可选，导入后自动优先）
3. ghproxy 代理
4. 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：

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

🧰 开发

# 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

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

• [x] 手动听写（按住说话 + 追加式草稿）
• [x] 常开监听 + 关键词唤醒 + 状态机
• [x] 问候 + 口述编辑命令 + 多轮免手输入
• [x] sherpa-onnx WASM 本地识别（离线、国内可用）+ 多源资源自动探测
• [x] 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）
• [x] 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）
• [x] 流式中间结果实时响应（唤醒 / 短命令零等待，端点判定收紧）
• [x] 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

📄 License

MIT