SnowfallC / dsh-mobile-voice-call

DSH Mobile Voice Call

这个插件解决的问题很直接：电脑上的 DSH 已经有会话了，我只是想拿起手机继续说，不想再装一个 App，也不想为了临时远程准备服务器、公网 IP 或域名。打开 DSH、扫描二维码、选择已有会话，就可以直接开始语音通话。

English · 安装指南 · DSHFind

工作方式

DSH 本身就是 Web 应用，所以手机远程没有必要再做一套 APK。这个插件只通过 DSH 官方的插件组合机制接入，不修改内核；手机端也只是一个针对通话收窄过的 Web 页面，已有会话、归档状态、语言和主题仍然跟着 DSH 走。这样 DSH 后续更新时，插件需要维护的只是很薄的一层适配。

电脑端负责运行 DSH、本地桥接、whisper.cpp 和 Hojo-TTS-Light，Cloudflare Quick Tunnel 只提供临时 HTTPS 地址。手机浏览器采集录音并播放结果；录音回到电脑后由 whisper.cpp 本地转写，再通过 DSH 原生会话 RPC 发送。DeepSeek 的回复由电脑上的 Hojo-TTS-Light 合成为 WAV 后传回手机自动播放。Hojo 还没准备好或暂时不可用时，会回退到 Windows 系统语音。

• 只显示已有、空闲的顶层会话，不提供完整文字聊天界面。
• 选中会话后立即请求麦克风权限并开始通话。
• 支持暂停收音、打断朗读、挂断及取消正在进行的轮次。
• 自动隐藏 DSH 中已经归档的会话。
• 自动跟随 DSH 的中英文设置与浅色/深色主题。
• 一次性配对 Token 置于 URL Fragment；配对后使用 HttpOnly、SameSite=Strict Cookie。

截图

安装与启动

前置条件

• 已经能够正常启动 DSH Web profile。
• 默认自动安装面向 Windows x64。
• 如需使用 Hojo-TTS-Light，请确保 uv 已安装并可从 PATH 调用；不需要另外安装或配置系统 Python。

从 GitHub 安装

在 DSH 源码仓库中执行：

pnpm dsh plugin --profile web add "github:SnowfallC/dsh-mobile-voice-call"
pnpm dsh web

从本地目录安装

git clone https://github.com/SnowfallC/dsh-mobile-voice-call.git "C:/path/to/dsh-mobile-voice-call"
cd "C:/path/to/deepseek-harness"
pnpm dsh plugin --profile web add "C:/path/to/dsh-mobile-voice-call"
pnpm dsh web

语音识别与 TTS 的首次安装

这两部分都不用手工下载模型，但首次运行需要联网：

• 语音识别（whisper.cpp）：DSH 启动插件时会下载官方 Windows x64 构建（约 8 MB）和多语言 small 模型（约 466 MiB），校验固定体积与 SHA-256 后再启用。这个步骤完成前不会生成可用的通话链接，后续启动直接复用缓存。
• 语音合成（Hojo-TTS-Light 80M）：打开“手机通话”面板后才开始后台预热。插件通过 uv 建立隔离的 Python 3.12 环境，安装固定版本的 CPU 推理依赖，再下载约 348 MB 的模型和官方推理脚本。二维码和配对不需要等它完成；手机接通时如果仍在准备，会显示“语音引擎预热中，请稍候”。安装失败时会回退到 Windows 系统语音。
• 缓存位置：默认位于 $DSH_HOME/cache/dsh-mobile-voice-call/；未设置 DSH_HOME 时通常是 %USERPROFILE%/.dsh/cache/dsh-mobile-voice-call/。下载完成后无需每次重装。
• 手动接入已有组件：可通过 whisperExecutablePath、whisperModelPath、hojoPythonPath 和 hojoModelDirectory 指向已有文件，跳过相应自动安装。

模型和 CPU 依赖需要一定下载时间与磁盘空间，具体速度取决于 GitHub、Hugging Face 和 Python 包源的网络状况。准备完成后，点击右下角“手机通话”，扫码并选择会话即可开始说话；结束后请在电脑端撤销链接。

浏览器要求与限制

• 页面必须通过 HTTPS 打开；Quick Tunnel 已满足这一要求。
• 浏览器需要支持麦克风采集与 Web Audio，不要求提供网页语音合成。建议使用新版 Android Chrome 或 iOS Safari。
• 请勿停留在微信、QQ、飞书或系统扫码器的内置浏览器中；扫码后用右上角菜单选择“在浏览器中打开”。
• 语音识别由电脑上的 whisper.cpp 本地完成，不依赖 Android 的 SpeechRecognition，原始录音不会提交给 DeepSeek。不过录音仍会经过 Cloudflare 隧道从手机传回电脑，因此不属于端到端加密链路。
• 当前采用轮流说话模式，不是真正的全双工音频电话；工具确认等高风险操作仍建议回到电脑端处理。
• 正在运行的会话会显示为不可选择，以免两个客户端同时向同一轮次写入。

本地语音配置

默认配置适用于 Windows x64。whisperExecutablePath 和 whisperModelPath 为 auto 时自动安装；也可改为已有的 whisper-cli 与 GGML 模型路径。whisperThreads 控制转写线程数，默认值为 8。

语音合成默认使用 Hojo-TTS-Light 80M，并通过随插件提供的合成参考音频克隆一条偏可爱、略带傲娇感的中文声线。首次启动会在 DSH 缓存目录建立隔离的 Python 3.12 环境，并下载约 348 MB 的模型及 CPU 推理依赖；无需手动配置系统 Python。可通过 hojoReferenceAudioPath 和 hojoReferenceText 使用自己的参考音频与逐字稿，通过 hojoThreads 调整 CPU 线程数，也可用 hojoModelDirectory 或 hojoPythonPath 指向现有环境。Hojo 尚未就绪或合成失败时会回退到 Windows 系统语音。自动下载的模型与官方推理源码均固定版本、体积与 SHA-256 校验。

80M 引擎采用按需加载：启动 DSH 时只准备轻量后备语音，打开“手机通话”面板后才在后台预热 Hojo。模型只在本次 DSH 进程中加载一次，关闭面板不会反复占用初始化时间。朗读前还会移除中英文圆括号及其中内容，避免动作、语气或角色扮演说明被念出；会话中显示的原始回复不受影响。

朗读按句号、问号和感叹号分段。插件每 250 毫秒读取 DSH 原生 assistant/chunk，完整句子一出现便提交合成并开始播放，无需等待整轮回复结束；Hojo 单模型仍按安全队列生成后续句子。Hojo 当前不提供逐帧音频流，因此这里实现的是句级流式播放。回复文字会随对应语音开始播放而显示，默认使用 8 个 CPU 线程。

每次接通会话后，插件只在第一条语音消息前加入一次通话说明，要求后续回复采用自然、简短、适合朗读的表达，并避免自行添加括号动作、角色扮演旁白或舞台说明；连续通话不会重复注入同一段文字。Markdown 清理只发生在本地朗读前，不会改写会话中的原始回复。

[!WARNING] 本功能属于实验性功能，流量经 Cloudflare 中转，临时隧道不提供固定地址或服务等级保证。请勿处理敏感任务，使用后立即撤销链接。

开发

pnpm install
pnpm check
pnpm test

配置项见 cordis.patch.yml。安全问题请参阅 SECURITY.md。代码采用 MIT License。

卸载

pnpm dsh plugin --profile web remove dsh-mobile-voice-call

随后重启 DSH。插件不会在 DSH 内核仓库中留下补丁。

友情链接

• DSHFind — DSH 生态项目索引