dsh-say
让您的 DSH agent 拥有声音：通过扬声器朗读文本，并支持可插拔的 TTS 引擎（开箱即用的内置系统语音，以及用于角色语音的 GPT-SoVITS）。
插件会安装到这里；不确定时保持 web。
npx -y @deepseek-ai/dsh plugin --profile web add github:fangqian616/dsh-say#973a9a2784509f5443a15f460a16d6a97c437ec2Say 以 dsh-say 发布，当前版本为 0.1.0。Plugin Hub 会校验它的 manifest，并保存精确安装来源，便于复现安装结果。
点击下方 Badge 复制 Markdown，粘贴到 README 即可。
验证 package.json 声明的 GitHub 仓库，即可管理这个公开页面。认领后，Hub 会优先安排当前版本的安全扫描，并在通过后公开展示结果。
认领这个 Plugin →不需要下载任何东西。 默认走你操作系统自带的语音 —— 不用 Python、不用显卡、不用账号。
npx dsh-say
就这一条，不用参数。 它默认装进 web profile；用别的 profile 加 --profile <名字>，想看它要执行什么加 --print。
等价的手写命令（npx 那条就是替你跑这个）：
dsh plugin --profile web add dsh-say
然后重启 profile —— 这一步必须由你做，命令行没法替你重启你正开着的会话。npx 跑完会把这句再说一遍，因为它只负责装，重启不了你的会话。
装完就结束。这条命令会把包装好、登记进 profile、并自动应用本包自带的组合层，tts_* 工具在重启后出现。
git clone https://github.com/fangqian616/dsh-say
dsh plugin --profile web add "file:E:/path/to/dsh-say" # 或用 git 地址：
dsh plugin --profile web add github:fangqian616/dsh-say
git 来源的插件靠 prepare 脚本构建，pnpm 默认拦着。dsh plugin 会直接打印出要放行的那个键 —— 把它加到 profile 目录的 pnpm-workspace.yaml 的 allowBuilds 下，再重跑一次即可。
本地 file: 路径要用绝对路径：pnpm 的工作目录是 profile 目录，相对路径 . 会指到 profile 自己。
profile 根目录的 cordis.yml 是空的，它自己写着不要改它。真正的用户层是 cordis.patch.yml，但这里也不用你手写 —— 本包声明了：
"dsh": { "bundle": { "patch": "./cordis.patch.yml" } }
dsh plugin add 识别到这个声明后，会把它列进 profile 的 dsh.profile.bundles 层栈，并在启动时套用包内那一行：
- insert:
- id: say
name: dsh-say
这是 dsh 插件的标准打包方式，所以升级、卸载、dsh plugin list 都能正常跟踪。
如果智能体已经能读到仓库，直接说一句 "装上这个语音插件" 就行。它会用
voice-setupskill 走完这一步，并且在没重启之前不会谎称装好了。
对智能体说：
把"你好，我现在会说话了"念出来
它会调用 tts_speak，声音从音响里出来。安装到此结束。
跑一下
tts_engines
selected: builtin (configured: auto)
built-in: available, 3 voice(s)
gpt-sovits: unavailable — no GPT-SoVITS checkout found
voice packs: 0 in ~/.dsh/voice-packs
没声音时先跑这个 —— 它会指出确切原因。
先说清楚 main 和 release 的分工 —— 这是本项目唯一需要你选的地方。
main（本仓库） Releases（那个 1.34 GB 的包） 是什么 插件本体：调用 TTS、压缩汇报、人设、声线注册 推理素材：4 个 base 模型 + 声线权重 + 可训练参考音 声音从哪来 你系统自带的语音（SAPI） 声线包里的角色声线（GPT-SoVITS） 下载量 0 1.34 GB 要不要 Python 不要 要 —— 模型在包里，运行时不在 main 可以用系统语音，零下载。想用 GPT-SoVITS 角色声线，去 Releases 下载包，继续往下看。
整合的是「模型」，不是「程序」。 这两件事经常被当成一件，所以写清楚：
| 在包里吗 | 说明 | |
|---|---|---|
| 4 个 base 模型（推理必需） | ✅ 在 | chinese-roberta、chinese-hubert、s1v3、s2Gv2ProPlus，约 1.14 GB |
| 声线权重 + 参考音 | ✅ 在 | 约 316 MB |
| GPT-SoVITS 程序本身 | ❌ 不在 | 代码只有几 MB，但没有 torch 跑不起来 |
| Python + torch 运行时 | ❌ 不在 | 约 6 GB，而且分平台 |
为什么运行时整合不了：Python 和 torch 加起来好几 GB，还分 Windows/Linux、分 CUDA 版本。npm 单文件上限 100 MB，Release 也不适合塞一个平台专属的运行环境。所以你要跑它，仍然需要本机已有能跑的 GPT-SoVITS。
包里给的东西替你省掉的是：自己找那四个 base 模型、自己裁参考音、自己听写文本 —— 这部分最容易装错（模型版本对不上、参考音不规范），现在不用你操心。
想彻底不要 GPT-SoVITS？那需要换一条推理路径（把模型转 ONNX，用小体积运行时，就不需要 Python/torch 了）。那是另一个工程，不是文档改动 —— 想做的话说一声。
把上面那个 zip 下载好，对你的 AI 说一句：
把试听音频装上
它自己会去 Downloads 找到那个包、解压、把四个 base 模型铺进 GPT_SoVITS/pretrained_models/、把声线权重铺进 GPT_weights_v2ProPlus/ 和 SoVITS_weights_v2ProPlus/，然后登记声线包。已经存在的文件会跳过，不会覆盖你调好的环境。
装完直接说「用XX声线念一下这段」就能听到。
一条命令，不用传路径 —— 它会去 Downloads、当前目录找这个包：
node scripts/install-voice.mjs
要指定别的包或别的 GPT-SoVITS：
node scripts/install-voice.mjs --from "D:/downloads/某个.zip" --engine "D:/GPT-SoVITS"
[!IMPORTANT] 前置条件：本机要有一个能跑的 GPT-SoVITS 检出加 Python 环境。 Releases 那个包给的是模型，不是运行时 —— Python 和 torch 那几 GB 装不进 Release，也不该装。 还没有的话，官方 Windows 整合包解压双击即可（下载，6.4 GB）。 两者不冲突：整合包负责运行时，Releases 那个包负责让它用试听音频的声音，而且比整合包自带的那套小得多。
装之前先读 voice/NOTICE.txt：本声音资源仅供学习交流，严禁用于商业用途，如有侵权，请联系作者，作者得知后会于24小时内删除。
| 工具 | 作用 |
|---|---|
tts_speak | 短句直接念 |
tts_report | 长汇报：先压缩再念，避免把整篇念完 |
tts_engines | 诊断后端 + 返回当前人设 |
tts_voices | 列出或登记声线包 |
tts_config | 读改设置，不用碰配置文件 |
中文语音实测约 5 字/秒 —— 一份 500 字的汇报整篇念完要 100 秒，比读它还慢，用户会直接关掉声音。
tts_report 会先把长报告压成短稿再朗读，并返回它实际念出来的文本，方便确认没漏关键信息：
| 字数 | 约合时长 | |
|---|---|---|
| 原文 | 500 | 100 秒 |
| 朗读 | 120 | 24 秒 |
压缩是本地句序排序，零额外模型调用。要更多细节就调大 budget。
| 项 | 默认 | 什么时候要动 |
|---|---|---|
| GPT-SoVITS 目录 | 自动找 | 找不到时（见下） |
| 声线包目录 | ~/.dsh/voice-packs | 一般不动 |
| 系统语音（默认引擎） | 用系统自带的 | 不用配 |
| Python 环境 | 引擎目录里的 / conda / PATH 上的 | 引擎能用就不用管 |
| profile | 你装插件时指定的那个（web 等） | 用别的 profile 时 |
| 环境变量 | 一个都不需要 | — |
环境变量全都不必需。 DSH_VOICE_ENGINE_ROOT、DSH_VOICE_VOICES_DIR、DSH_VOICE_CONFIG 都只是覆盖项，设了会优先于配置文件。下面这些走配置文件就够。
自动搜索，不需要你填。 顺序是：
engines.gptSovits.engineRoot（你手动指定时）DSH_VOICE_ENGINE_ROOT（一般不用）~/GPT-SoVITS、~/GPT-SoVITS-main、~/gpt-sovitsGPT-SoVITS… 的文件夹（所以解压到 E:\ 或 F:\ 也能找到）serverUrl 时）第 4 条是关键：官方整合包是个 7z，大家通常解压到空间大的盘根目录，不是 C:\。以前写死 C:\/D:\，引擎明明在那儿却报"找不到"。
真的找不到时（引擎在很深的子目录里之类），跟智能体说一句就行：
GPT-SoVITS 在
E:\tools\GPT-SoVITS-main，帮我配上
它会用 tts_config 写进 engines.gptSovits.engineRoot。不用你手改文件。
你不用手改配置文件。 插件自己维护一份设置，存在你家目录：
~/.dsh/voice/config.json
首次加载时它会问你三个问题（声线、人设、要不要自动播报），答案直接写进去。之后想改，跟智能体说就行：
把语速调到 1.2 默认声线换成 XX 看看现在的配置
| 键 | 作用 |
|---|---|
engine | auto | builtin | gpt-sovits |
defaultVoice / defaultVoiceBuiltin | 默认声线包 / 默认系统语音 |
speed | 语速 0.5–2.0 |
textLang | 朗读文本的语言 |
reportBudget | 汇报保留字数 |
keepAudio | 是否保留 wav |
engines.gptSovits.engineRoot | GPT-SoVITS 目录 |
engines.gptSovits.serverUrl | 或指向已运行的 API |
engines.gptSovits.python | 指定用哪个 python |
engines.gptSovits.version | 模型版本（v2ProPlus 等） |
优先级：用户文件 > 组合里的 config > 内置默认。部署方仍可在组合里固定值，但用户自己设的赢。
| 系统语音（默认） | GPT-SoVITS（可选） | |
|---|---|---|
| 安装成本 | 零 | 约 2 GB 起 |
| 音质 | 清晰但机械 | 角色声线、零样本克隆 |
| 英文 | 原生分语言 | 声明语言即可 |
| 依赖 | Windows SAPI | 本地检出或远端 API |
engine: auto 会在你登记声线包之后自动切到 GPT-SoVITS，不用改配置。
| 现象 | 原因 |
|---|---|
没声音但 played: true | 输出设备选错或静音 |
System.Speech is unavailable | 系统没装 SAPI 语音，或 PowerShell 被策略拦截 |
no GPT-SoVITS checkout found | 设 engines.gptSovits.engineRoot |
voice pack ... is incomplete | 声线包缺 ref.wav、ref.txt 或权重 |
| GPT-SoVITS 太慢 | 把 sampleSteps 从 32 降到 16 |
先跑 tts_engines —— 它会给出后端不可用的确切原因。
git clone https://github.com/fangqian616/dsh-say && cd dsh-say
npm test # 7 个测试，不出声
npm run test:audible # 真实播放检查
无构建步骤，纯 ESM JavaScript。改代码必须让 npm test 通过 —— 详见 CONTRIBUTING.md。
仓库不含任何模型权重、声音数据或音频。 参考音和声线定义在仓库里，权重单独取（单个文件 148 MB，超过 GitHub 的 100 MB 上限）。
Give your DSH agent a voice — speak and report in one you like.
The default backend is whatever speech voices your operating system already has, so step 1 and 2 need no download: no Python, no GPU, no account.
dsh plugin --profile web add dsh-say
Restart the profile, then ask the agent to "say hello out loud". npx dsh-say does the same thing with no arguments and then repeats the restart step, because installing is all it can do — it cannot restart your session.
| Tool | Purpose |
|---|---|
tts_speak | Speak a short line |
tts_report | Compress a long report, then speak it |
tts_engines | Diagnose backends, return the active persona |
tts_voices | List or register voice packs |
tts_config | Read and change settings without editing files |
Why reports are compressed: Chinese speech measures about 5 characters per second, so a 500-character report read in full takes 100 seconds — slower than reading it.
Configuration lives in ~/.dsh/voice/config.json, written by first-run onboarding and editable through tts_config. Precedence is user file > composition > default.
Engines: the built-in one drives SAPI on Windows and needs no external media program; GPT-SoVITS is optional and switches in automatically once a voice pack exists.
Everything above works with the voices your system already has, at zero download. A
character voice needs the bundle from
Releases — 1.34 GB,
carrying the sample voice plus the four base models inference needs. (The
official GPT-SoVITS package is 6.4 GB because it also carries training code, ASR,
vocal separation and a pretrained weight for every model version. None of that is
needed to talk.)
No commands. Download the bundle, then tell your agent:
install the sample audio
It finds the archive in Downloads, unpacks it, places the base models into
GPT_SoVITS/pretrained_models/ and the voice weights into GPT_weights_v2ProPlus/
and SoVITS_weights_v2ProPlus/, then registers the pack. Files that already exist
are skipped, so your tuned engine is never overwritten. Then ask it to "read this
out loud in the sample voice".
What the bundle integrates, and what it does not. It carries the models, not the program. The four base models and the voice weights are what is easy to get wrong — mismatched model versions, reference clips that are not cut to spec — so those ship in the bundle. GPT-SoVITS itself is a Python program, and Python plus torch is several GB and platform-specific: it cannot go in npm (100 MB per file) or sensibly in a Release. So you still need a working GPT-SoVITS on the machine. Without one, the official Windows package unzips and runs as-is (download, 6.4 GB); the two do not conflict — the package supplies the runtime, the bundle supplies the models.
Removing that requirement entirely means a different inference path — the models converted to ONNX with a small runtime, no Python or torch. That is a real project, not a documentation change.
The six reference clips are samples for picking a tone, and one of them is also trainable material:
reference/中立.wav + reference/中立.txt | audio with its transcript | audition it, and import the pair to fine-tune |
| the other five (开心/吃惊/生气/难过/恐惧) | audio only, no transcript | audition them to pick a tone |
A wrong transcript is worse than a missing one, so none is invented for the five: the emotion in the filename is a label for the listener, not the line being spoken.
Read voice/NOTICE.txt before installing: this voice resource is for learning and exchange only; commercial use is strictly prohibited; if it infringes any right, contact the author and it will be removed within 24 hours.
MIT · 不附带任何模型权重、声音数据或音频
代码 MIT · 角色、声音与参考音的权利归其所有者 · Code is MIT; character, voice, and reference-audio rights belong to their owners