dsh-llm-multimodal

DSH 插件：在聊天中提供文本/图像/视频/视觉理解/语音/音乐 六个生成工具，基于 OpenAI 兼容 API。

generate_text / generate_image / generate_video / generate_vision / generate_tts / generate_music 六个工具会自动从 llm-pi-ai 设置中识别可用模型：模型 id 包含 image / flux / dall / imagen / sdxl / realesrgan / juggernaut / photoreal / video / sora / seedance / kling / veo / runway / pika / wan / ltx / cogvideox / seedvr / musetalk / lipsync / vision / qwen-vl / llava / internvl / pixtral / glm-4v / tts / speech / voice / minimax / voxcpm / cosyvoice / music / song / lyric 等关键词时，工具即可使用。

配套插件（互推）

本插件与同作者的另外两个 DSH 插件组成「生成 → 编排 → 预览」完整闭环，建议一起安装：

• 生成与编排：dsh-media-studio 发布跨插件服务 mediaStudio（软引用、无硬依赖）。本插件的 generate_image / generate_video / generate_tts / generate_music 默认 outputStrategy=project —— 产物直接写进活跃 media-studio 项目的 <sourcePath>/assets/<类别>/（图片默认 character、可传 asset_kind=scene；视频 clip；音频 audio），结果附带 projectId + canvasUrl，canvas_graph_patch 的 batchAddMedia 可一步挂到画布节点。media-studio 服务缺失或无活跃项目时自动回退 outputDir（空 → /tmp），安装顺序无关。
• 预览：media-preview 负责把本插件产出的 file:// 路径在聊天里渲染为内联 <audio>/<video>/<img> 预览组件。

安装

# 进入 DSH web profile
cd ~/.dsh/profiles/web

# 方式一（推荐）：dsh 官方命令（自动写入 bundles 与 cordis.patch.yml）
dsh plugin --profile web add xiaokaizhou/dsh-llm-multimodal

# 方式二：pnpm 直装（需手动补一步，见下方说明）
pnpm add xiaokaizhou/dsh-llm-multimodal

package.json 位于 DSH profile 根目录：

• 默认路径：~/.dsh/profiles/web/package.json（macOS / Linux）
• Windows：%USERPROFILE%\.dsh\profiles\web\package.json
• 自定义路径：$DSH_HOME/profiles/web/package.json
• 如有多个 profile，对应路径为 ~/.dsh/profiles/<profile-name>/package.json

方式二手动补全：在上面的 package.json 中添加：

"dsh": {
  "profile": {
    "bundles": [
      "dsh-llm-multimodal"
    ]
  }
}

源码修改后需重启 dsh web。

支持模型

图像生成

支持任何 OpenAI 兼容的 /images/generations 端点，已适配：

DALL-E / Flux / Imagen / Midjourney / SDXL / Kandinsky

视频生成

支持 OpenAI Sora 风格 /videos/generations 与 Agnes 风格 /videos，已适配：

Sora / Seedance / Kling / Veo / Runway / Pika / Hunyuan Video / CogVideo / MiniMax Hailuo

支持文生视频、图生视频（传 image）与关键帧模式（传 keyframes，首帧/尾帧映射到 provider 的 first_frame / last_frame）；mode 可显式指定 text / keyframe / reference。duration 默认 5 秒（Agnes 2.5 Flash 接受 4–12），画幅走 size（OpenAI 用像素如 1280x720，Agnes 用档位如 720P）；另有 negative_prompt。num_frames / frame_rate 已不再接受——帧数由 provider 决定。

视觉理解

generate_vision 走 OpenAI 兼容 /chat/completions 多模态内容协议（text + image_url），一次可传多张图（Data URI Base64、file:// 或绝对本地路径会自动转 Data URI）：

GPT-4o Vision / Claude 3 Vision / Gemini Vision / Qwen-VL / LLaVA / InternVL / Pixtral / PaliGemma / GLM-4V / Mantis …

参数：prompt（必填）、images（支持多张）、model、system、max_tokens（默认 1024）、temperature（默认 0.2，偏事实型视觉问答）、top_p、detail（low 固定 85 token / high 分块计费，OCR 与细节场景用 high / auto 由模型决定）。

文本生成

generate_text 走 harness 的 LlmRuntime（ctx.llm.prepareCall），由 harness 内部多协议路由处理，协议不受 OpenAI 限制；model id 形如 <provider>/<model>。

配置说明

1. 在「设置 > 模型」中添加一个 provider，baseURL 指向你的 API 网关
2. 在模型 id 中包含 image / video 关键词，插件会自动识别
3. 设置 apiKeyEnv 环境变量，或在 provider 配置中直接填写 apiKey
4. 重启 dsh web

示例 llm-pi-ai 配置结构：

llm-pi-ai:
  providers:
    - id: openai
      baseURL: https://api.openai.com/v1
      apiKeyEnv: OPENAI_API_KEY
      models:
        - id: gpt-image-1
          name: GPT Image
    - id: agnes
      baseURL: https://api.agnes.ai/v1
      apiKeyEnv: AGNES_API_KEY
      models:
        - id: agnes-video-2.5
          name: Agnes Video

使用方式

在 DSH 对话中直接调用工具：

• 生成文本：直接提问，助手会调用 generate_text
• 生成图像：描述你想要的画面，助手会调用 generate_image
• 生成视频：描述你想要的视频内容，助手会调用 generate_video
• 视觉理解：给出图片（路径或链接）并提问，助手会调用 generate_vision
• 生成语音/音乐：generate_tts（文本 → 语音）与 generate_music（音乐/BGM/音效，共用 OpenAI 兼容 /audio/speech 端点）

工具会自动从配置中发现可用模型，无需额外参数。

语音合成与音色克隆

• 生成语音：generate_tts（文本 → 语音）与 generate_music（音乐/BGM/音效，共用 OpenAI 兼容 /audio/speech 端点）
• 模型按模态分离：generate_tts 只用 TTS 类模型（id 含 tts/speech/voice/minimax/voxcpm/cosyvoice）；generate_music 只用 music 类模型（id 含 music/song/lyric）。TTS 模型不会服务于 music，反之亦然
• OpenAI 协议：5 个多模态工具（image / video / vision / tts / music）走 OpenAI 兼容端点；provider 默认 apiProtocol: openai；显式配置为其他协议（如 claude）时工具会在调用前拒绝并给出可操作提示。generate_text 不在此列，它走 harness 的 LlmRuntime（ctx.llm.prepareCall），由 harness 内部多协议路由处理
• 预设音色：voice 参数填 MiniMax 预设 id（如 female-shaonv / male-qn-jingying），或直接填已克隆的 voice_id
• 角色专属音色（克隆）：传 clone_audio（参考音频：本地路径 / file:// / http(s) URL / data:audio base64）+ voice_name（建议用角色名）
  • 首次调用自动执行「上传音频 → 注册 voice_id → 用克隆音色朗读」
  • 后续相同 voice_name 调用直接复用已克隆音色（持久化在 ~/.dsh/llm-multimodal-voices.json），零额外网络开销
  • 可选 clone_voice_id 自定义 voice_id；output_format 支持 mp3 / wav / pcm / aac / flac / opus
  • 需要 provider 支持 MiniMax 兼容的 files/upload + voice_clone 接口

输出路由（media-studio 集成）

安装 dsh-media-studio 后（默认 outputStrategy=project），生成产物不再写 /tmp，而是直接落盘到当前活跃 media-studio 项目：

<project sourcePath>/assets/characters/…  # generate_image（默认 asset_kind=character，可传 scene/prop/conceptart/reference）
<project sourcePath>/assets/clips/…       # generate_video
<project sourcePath>/assets/audio/…        # generate_tts / generate_music

返回结果附带 projectId 与 canvasUrl；配合 media-studio 的 canvas_graph_patch batchAddMedia，媒体一步挂到画布节点。未安装 media-studio（或服务缺失 / 无活跃项目）时回退 outputDir 策略（默认 /tmp），零硬依赖。

想直接在聊天里看到这些本地产物的播放预览，另装 media-preview。

限制

• 当前版本自动 provider 配置界面已暂停；工具通过 llm-pi-ai 设置自动发现模型
• 视频生成采用轮询，最长等待约 10 分钟
• 需要 provider 支持 OpenAI 兼容接口（generate_text 除外，走 harness LlmRuntime 多协议路由）

打赏支持

若这个插件帮到了你，欢迎用下面的二维码请我喝杯咖啡。

微信支付

支付宝

License

MIT