dsh-completion-voice
DSH（DeepSeek Harness）插件：用语音播报三个时机。
| 时机 | 播报内容 | 声线 |
|---|
| 一轮任务真正结束 | 「已完成当前任务」 | 晓伊 zh-CN-XiaoyiNeural |
| 需要你在界面上做选择（问你问题 / 让你批准计划 / 权限确认） | 「老大老大，等你做选择呢」（第二个「老大」尾音拖长） | 同上（可用 choiceVoice 单独换） |
| 开始一个新对话 | 「早上好／中午好／下午好／晚上好！有什么工作需要做吗？」（按系统时间四选一） | 同上（可用 greetingVoice 单独换） |
声线用微软 Edge 神经语音，真人感强，不是豆包那种温暖女声。
它做了什么
插件监听 DSH 会话事件流（ctx.on('session/event', ...)）与 cordis 的会话生命周期事件
（ctx.on('session/created', ...)），有三种播报时机。
1. 一轮任务结束 →「已完成当前任务」
由 turn/end 触发：
| 条件 | 说明 |
|---|
event.data.reason.kind === 'completed' | 只有正常跑完才播报；aborted（被打断）、error、max-tokens、blocked 都不响 |
| 非子代理会话 | 默认过滤 header.origin === 'subagent'，否则每委派一次子代理都会响 |
| 静默窗口 | turn/end 之后等 settleMs 毫秒；这段时间内该会话又出现 turn/start，就撤销这次播报（处理 goal 自动续跑等「这一轮不是终点」的情况） |
| goal 保护 | 会话若有 phase === 'active' 的 goal（ctx.goals），跳过播报——goal 还会自己续跑，本轮不算任务完成 |
2. 需要你做选择 →「老大老大，等你做选择呢」
| 触发事件 | 说明 |
|---|
tool/call 且 data.name 匹配 choiceToolMatch | 模型调用了 ask_user_question（问你问题 / 让你选一个）或 exit_plan_mode（让你批准计划） |
approval/asked | 权限确认，即「要放行这条命令吗」。可用 announceOnApproval: false 单独关掉 |
这一条不做子代理 / goal / settleMs 过滤——它意味着一件事真的卡住了一个人，越早提醒越好；只用 choiceMinIntervalMs（默认 3000 ms）防止同一个问题被多个事件连着重复播报。
注意 ask_user_question 是阻塞式工具调用：等待你回答的期间不会有 turn/end，所以「任务完成」那条不会在这时候误响。
3. 开始一个新对话 → 按时间问候
| 触发 | 说明 |
|---|
cordis 的 session/created | 每开始一个新对话（新会话）时发射一次；不是 session 日志事件，所以不在 session/event 里 |
四个时段由 greetingHours（默认 '5,11,13,18'，即 早,中,午,晚 的起始小时）划分，
按本机时间取值：5:00–10:59 早上好 / 11:00–12:59 中午好 / 13:00–17:59 下午好 / 18:00–次日 4:59 晚上好。
四句文本分别由 greetingMorning / greetingNoon / greetingAfternoon / greetingEvening 配置，留空的那一段就不播报。
| 条件 | 说明 |
|---|
| 子代理会话 | 默认跳过（includeSubagents 一并控制三条提示音） |
| 恢复 / 分叉出来的会话 | header.isSeeded === true 时跳过（greetingSkipSeeded），只问候真正新开的对话 |
greetingMinIntervalMs | 默认 15000 ms：应用启动时如果同时恢复了多个会话，只问候一次，不会连珠炮 |
greetingDelayMs | 默认 500 ms：会话创建到出声之间留一点时间给界面 |
四段问候语在插件加载时就会依次预合成（greetingPrefetchAll，串行 + 1.8 s 间隔，避免并发握手被服务端 429），
所以之后无论哪个时段开新对话，都是纯本地播放、立刻出声。
发声：两种引擎
engine | 声音 | 何时用 |
|---|
edge（默认） | 微软 Edge 神经语音，像真人 | 在线合成一次 text → 存成 mp3 缓存 → 以后每次只是本地播放，瞬时、离线可用（prefetch: true 时加载阶段就合成好） |
sapi | Windows 自带 SAPI（如 Microsoft Huihui），机械感强 | 手动选用，或 edge 合成失败时的自动兜底 |
播放是宿主进程 spawn 一个隐藏的 powershell.exe，用 WPF MediaPlayer 放那个 mp3（约 0.6 s 起声）；SAPI 兜底则用 -EncodedCommand（UTF-16LE + base64）调 SAPI.SpVoice.Speak()。
- 为什么不用浏览器
speechSynthesis：Electron 桌面端没有可用的 Web Speech 合成，中文语音基本读不出来。
- 为什么用
-EncodedCommand 而不是 -Command：彻底绕开命令行引号转义和中文代码页问题，中文文本原样送达。
- 为什么 Edge 语音要缓存：在线合成约 0.8 s，而播报文本是固定的；缓存后每次播报只剩进程启动开销，也不怕断网。
Edge 语音走的接口（2026 年新端点）：
wss://api.msedgeservices.com/tts/cognitiveservices/websocket/v1
?Ocp-Apim-Subscription-Key=<公开的 Edge 大声朗读 token>
&Sec-MS-GEC=<Windows FILETIME 取整后 SHA-256 大写>
&Sec-MS-GEC-Version=1-143.0.3650.96
&ConnectionId=<uuid>
- 旧端点
wss://speech.platform.bing.com/consumer/speech/synthesize/readaloud/edge/v1 现在一律 403。
outputFormat 只有三种被服务端接受：audio-24khz-48kbitrate-mono-mp3（本插件用）、audio-24khz-96kbitrate-mono-mp3、webm-24khz-16bit-mono-opus；发 riff-* / raw-* 会以 WebSocket 1007 断开。- 请求头不要带
X-Timestamp（旧协议才有）。
文件结构
lib/plugin.mjs 插件入口（薄壳）：每次带时间戳动态 import impl.mjs，实现「改代码 + 碰 patch 文件即热重载」
lib/impl.mjs 真正的实现：事件过滤、缓存管理、播报调度
lib/edge-tts.mjs 无依赖 Edge 神经语音客户端（含 Sec-MS-GEC 计算）
lib/ws-client.mjs 极简 WebSocket 客户端（用 node:https 手动握手，因为要自定义 Origin/UA）
lib/player.mjs Windows 播放：WPF MediaPlayer 放 mp3；SAPI 兜底朗读
安装 / 卸载
本仓库根目录就是插件包本身（package.json 在根上），所以可以直接从 GitHub 装：
# HTTPS
dsh plugin --profile desktop add git+https://github.com/zhangjie-2007/dsh-voice.git
# 或者 SSH
dsh plugin --profile desktop add git+ssh://git@github.com/zhangjie-2007/dsh-voice.git
国内网络下 git+https:// 这条经常被重置（Recv failure: Connection was reset），
用 SSH 那条更稳，前提是本机已经配好 GitHub 的 SSH key。
仓库名是 dsh-voice，包名 / 插件 id 仍然是 dsh-completion-voice —— 配置覆盖、卸载命令都按包名来。
dsh plugin add 会自动把 dsh-completion-voice 追加进 profile 的 dsh.profile.bundles，
并在 <profile>\node_modules\ 下建好安装目录。
改源码调试时改用 link:，它会建一个指向源码目录的 junction，改完立刻生效：
dsh plugin --profile desktop add link:C:\path\to\dsh-voice
卸载：
dsh plugin --profile desktop remove dsh-completion-voice
装好后插件会在 apply 时往 <DSH_HOME>\logs\dsh-completion-voice.log 写一行 apply: enabled=… engine=…，
看到这行就说明加载成功了。
配置
默认值写在 lib/impl.mjs 的 DEFAULTS 里；实际生效的覆盖写在 profile 的
<DSH_HOME>\profiles\<profile>\cordis.patch.yml（按 id 匹配）：
- id: dsh-completion-voice
name: dsh-completion-voice
config:
text: '已完成当前任务'
choiceText: '老大<prosody rate="-45%">老大</prosody>，等你做选择呢'
engine: edge
voice: zh-CN-XiaoyiNeural
| 键 | 默认 | 含义 |
|---|
enabled | true | 总开关 |
text | '已完成当前任务' | 任务完成时的播报文本 |
announceOnChoice | true | 是否播报「需要你做选择」 |
choiceText | '老大<prosody rate="-45%">老大</prosody>，等你做选择呢' | 选择提示音的文本；留空则完全不播。支持内联 SSML（见下） |
choiceToolMatch | 'ask_user_question|exit_plan_mode' | 哪些工具调用算「要做选择」（对工具名做正则匹配，忽略大小写） |
announceOnApproval | true | 权限确认（approval/asked）是否也算「要做选择」 |
choiceVoice | '' | 选择提示音的声线；留空 = 沿用 voice |
choiceMinIntervalMs | 3000 | 两次「要做选择」播报的最小间隔（ms） |
announceOnSessionStart | true | 开始新对话时是否按时间播报问候语 |
greetingMorning | '早上好！有什么工作需要做吗？' | 早段（默认 5:00–10:59）文本；留空则不播这一段 |
greetingNoon | '中午好！有什么工作需要做吗？' | 中段（11:00–12:59）文本 |
greetingAfternoon | '下午好！有什么工作需要做吗？' | 午段（13:00–17:59）文本 |
greetingEvening | '晚上好！有什么工作需要做吗？' | 晚段（18:00–次日 4:59）文本 |
greetingHours | '5,11,13,18' | 四段起始小时，格式 "早,中,午,晚"，必须是 4 个 0–23 的整数（可跨零点） |
greetingVoice | '' | 问候语的声线；留空 = 沿用 voice |
greetingDelayMs | 500 | 会话创建到播报之间的延时（ms） |
greetingMinIntervalMs | 15000 | 两次问候之间的最小间隔（ms） |
greetingSkipSeeded | |
在文本里写内联 SSML（局部调速 / 停连）
text 和 choiceText 都可以带内联 SSML，用来只把某几个字拖长或加重。默认的选择提示音就是这么写的：
choiceText: '老大<prosody rate="-45%">老大</prosody>，等你做选择呢'
插件识别的标签：<prosody rate pitch volume>、<emphasis>、<say-as>、<phoneme>、<break>（见下面的限制）。检测到标签后送给服务端的就是：
<speak version="1.0" …><voice name="zh-CN-XiaoyiNeural">老大<prosody rate="-45%">老大</prosody>，等你做选择呢</voice></speak>
四条实测出来的硬约束（都是踩过的坑）：
- 标签不能嵌套。文本里一旦出现标签，插件就不再生成最外层
<prosody>（否则服务端直接以 1007 invalid payload 关闭连接），代价是整句的 rate/pitch/volume 那时不再生效，要写的就写进标签自己身上。
<break time="140ms"/> 不被这个端点接受（同样 1007）。想要停顿只能用标点，比如 老大，老大，等你做选择呢。rate 是带百分号的字符串（"-45%"，+/- 都行），pitch 是 "-30Hz" 这样的频率，volume 是 "-20%"。- 改动文本 = 缓存键变了 = 下次加载会重新联网合成一次；旧 mp3 不会被自动清理，觉得缓存目录脏了就手动删
%USERPROFILE%\.dsh\audio\dsh-completion-voice\ 下的文件。
- SAPI 兜底（Edge 合成失败时）会把标签剥掉再念，不会把
<prosody rate=…> 念出来。
可选声线（微软 Edge 神经语音，中文）
| 声线 | 性别 | 风格 |
|---|
zh-CN-XiaoyiNeural | 女 | 活泼（当前使用） |
zh-CN-XiaoxiaoNeural | 女 | 温暖（≈豆包那种调子） |
zh-CN-YunyangNeural | 男 | 专业可靠，新闻播音腔 |
zh-CN-YunjianNeural | 男 | 浑厚有力，纪实感 |
zh-CN-YunxiNeural | 男 | 年轻阳光 |
zh-CN-YunxiaNeural | 男 | 童声可爱 |
zh-CN-liaoning-XiaobeiNeural | 女 | 东北话 |
zh-CN-shaanxi-XiaoniNeural | 女 | 陕西话 |
zh-TW-HsiaoChenNeural / zh-HK-HiuMaanNeural | 女 | 台湾腔 / 粤语 |
改代码后怎么生效
- 改
cordis.patch.yml：即时生效（DSH 会热重载插件）。
- 改
lib/impl.mjs / edge-tts.mjs / player.mjs：因为入口用时间戳动态 import，碰一下 cordis.patch.yml（随便改一个值再改回来）就会重新加载代码，不必重启 DSH。
- 改
lib/plugin.mjs 本身或 package.json：入口模块已被宿主进程缓存，需要重启 DSH。
排查
诊断日志：<DSH_HOME>\logs\dsh-completion-voice.log（超过 256 KB 自动清空）
[..] apply: enabled=true engine=edge voice=zh-CN-XiaoyiNeural text="已完成当前任务" choice="老大<prosody rate=\"-45%\">老大</prosody>，等你做选择呢" greeting=on(5,11,13,18) settleMs=800 cacheDir=...
[..] ready: listening on session/event + session/created
[..] synthesized 13824B voice=zh-CN-XiaoyiNeural text="已完成当前任务" -> <cacheDir>\5e64fb60c6d0297a.mp3
[..] prefetch ready ["已完成当前任务"]: <cacheDir>\5e64fb60c6d0297a.mp3 ← 预合成完成（每条提示音一行）
[..] skip speak: turn/end reason=aborted ← 被打断，不播报
[..] skip speak: turn/end reason=max-tokens ← 上下文写满，不播报
[..] skip speak: subagent session ← 子代理轮次
[..] skip speak: session xxx has an active goal ← goal 还在跑
[..] skip speak: within choiceMinIntervalMs (3000ms) ← 同一个问题已经提醒过了
[..] skip greeting: seeded session (resumed or forked) ← 恢复/分叉的会话，不问候
[..] skip greeting: within greetingMinIntervalMs (15000ms) ← 刚问候过，短时间内不再问候
[..] choice cue (tool ask_user_question session=...) ← 要你做选择
[..] greeting cue (afternoon, session=session-xxxx) ← 开始新对话，按时间问候
[..] dispatched play cbc630b220ca90e4.mp3 pid=9884 ← 正在播放
[..] speak dispatched (edge, choice: tool ask_user_question session=...) voice=zh-CN-XiaoyiNeural
[..] speak dispatched (edge, greeting: afternoon) voice=zh-CN-XiaoyiNeural
[..] dispatched play 5e64fb60c6d0297a.mp3 pid=33140
[..] speak dispatched (edge, turn end) voice=zh-CN-XiaoyiNeural
[..] synthesize failed (...): ... / speak dispatched (sapi fallback, turn end) ← 网络不通，回退 SAPI
没有声音时按顺序查：
- 日志里有没有
speak dispatched？—— 没有就是触发条件被过滤了（看同行的 skip speak 原因）。
- 有
speak dispatched 但没声音：
edge 引擎：<DSH_HOME>\audio\dsh-completion-voice\ 下有没有 mp3？能不能手动播放？
$f = "$env:USERPROFILE\.dsh\audio\dsh-completion-voice\" + (Get-ChildItem "$env:USERPROFILE\.dsh\audio\dsh-completion-voice\*.mp3")[0].Name
powershell -NoProfile -c "Add-Type -AssemblyName PresentationCore; `$p=New-Object System.Windows.Media.MediaPlayer; `$p.Open([Uri]'$f'); `$n=0; while(-not `$p.NaturalDuration.HasTimeSpan -and `$n -lt 200){Start-Sleep -Milliseconds 20; `$n++}; `$p.Play(); Start-Sleep -Seconds 3"
sapi 引擎：机器上有没有中文 SAPI 语音？
New-Object -ComObject SAPI.SpVoice | ForEach-Object { $_.GetVoices() | ForEach-Object { $_.GetDescription() } }
应能看到 Microsoft Huihui Desktop - Chinese (Simplified)。
- 系统音量 / 未静音。
想换声线试听：改 voice 后删掉缓存目录（缓存按 文本+声线+语速+音调+音量 的哈希分文件，换声线会自动用新文件，不必手动删）。
已知限制
- 只在 Windows 上出声：非 win32 平台只写日志、不播报。
- Edge 语音需要联网合成：第一次（或换声线后第一次）要能连上
api.msedgeservices.com；连不上时自动回退 SAPI，不会静默失败。
- goal 场景：
skipActiveGoal 依赖 ctx.goals 服务（需要 profile 组合了 session projection）。服务不存在时退化为「每轮都播报」，不会报错。
- 延迟：从「一轮结束」到「听到声音」≈
settleMs + 约 0.6 s（PowerShell 冷启动）+ 音频时长。
想更快可以常驻一个 PowerShell 播放进程，当前版本没做，优先保证简单可靠。
- 多个会话同时结束：靠
minIntervalMs 去重，不会叠着响。
- 「要你做选择」这条靠事件识别：只认
tool/call 的工具名匹配（默认 ask_user_question / exit_plan_mode）和 approval/asked。如果某个交互式确认不经过这两个事件，就不会响——把对应的工具名加进 choiceToolMatch 即可。
- 问候语靠 cordis 的
session/created：这是会话生命周期事件，不是会话日志事件。插件用 { global: true } 注册以保证不受作用域过滤；如果你的 DSH 版本换了事件名，日志里会一条 greeting cue 都不出现（前两条不受影响）。
- 启动 DSH 时可能问候一次：桌面端启动时若自动恢复出一个会话，也会触发
session/created。greetingSkipSeeded 已经排掉带 seed 的恢复/分叉会话，但如果你的版本恢复时不带 seed，就会在启动时听到一句问候——不想要就设 announceOnSessionStart: false。
- Edge 语音接口是微软的公开接口，不是官方 API，将来可能再变（2026 年就刚迁过一次端点，见上文）；变了就更新
lib/edge-tts.mjs。
