dsh-tts：DeepSeek Harness 的文本转语音音频插件

它是做什么的？

DSH TTS 是 DeepSeek Harness（DSH）的文本转语音插件，把一段文字变成可落盘的音频文件。它通过任意兼容 OpenAI 的 TTS 后端合成语音，让 Agent 不必为每个后端单独写胶水代码就能把输出读出来。插件只暴露一个 tts 工具，用不同 verb 覆盖合成、音色列举、路由探测与音素化调用。它由 xuan25 维护，采用 MIT 协议，用 TypeScript 编写，最近更新于 2026-10。

核心功能

• 语音合成：synth verb 把请求的文本合成为音频并写入磁盘，支持 wav、mp3、flac、aac、opus、pcm 六种格式，response_format 默认 wav。
• 音色与模型列举：voices verb 列出后端可用音色并支持过滤，后端返回 404 时回退到 OpenAI 静态音色表并标记来源；models verb 报告每条路由的模型清单。
• 路由与凭据自检：providers verb 只读本地配置，列出各路由字段、字段来源层级与凭据状态，不发网络请求。
• 连通性探测：status verb 对每条路由执行模型列表请求，并可选探测服务根路径的健康检查端点。
• 音素化调用：phonemize verb 调用后端服务根下的开发用音素化端点，遇到 404 或 405 会报告该端点不受支持。
• 返回字节校验：合成后对返回内容做容器校验，wav 走 RIFF 遍历，其他格式做魔数检查，发现占位 RIFF 块大小等已知缺陷时在结果里给出警告。

怎么使用这个插件？

在 DSH 中启用后，Agent 直接调用 tts 工具并指定 verb 即可，例如用 synth 合成语音、用 voices 查可用音色。合成时 voice 参数必填且没有默认值，音色集合由后端决定，可先用 voices 查出来；不传 model 时插件会用路由声明的唯一模型，声明多个则报错并列出候选。不传 out 时音频写入默认目录，扩展名取自 response_format。配置按内置默认、环境变量契约、cordis 配置层、用户设置中的插件段落四层叠加，优先级由低到高，providers verb 会报告每个字段实际来自哪一层。插件还附带一份技能文档，内含完整参数表、环境变量契约与错误形态，供 Agent 上下文参考。

报错怎么排查？

合成失败时先看返回的错误形态：如果提示音色缺失，说明 voice 未填，先用 voices verb 查出后端支持的音色 id。如果提示模型候选过多，说明该路由声明了多个模型，需要在调用里显式指定 model。如果返回内容不是所声称的容器格式，调用会失败但文件仍保留在磁盘上，可据此检查后端是否真的按 response_format 输出。如果结果里出现警告，通常意味着后端发出了占位 RIFF 块大小之类的已知缺陷，音频仍可用但需留意。phonemize 报不支持时，说明后端未实现该开发端点，属正常情况。