DeepSeek Harness 语音插件有哪些：朗读、TTS 与语音输入三类对照与平台限制

语音类插件不是一类，而是四种能力：朗读回答、合成音频、语音输入、主动搭话。 装错类型，就会得到「为什么它不念回答」的困惑。

四类能力先分清

先看能力，再看插件名。

朗读与合成不是一回事，语音输入是反方向，主动搭话最容易被误认。 朗读面向即时收听，合成面向落盘与复用；两者都可能用 TTS，但使用场景不同。语音输入把你的话转成文字，解决「不想打字」，与播报是两条独立链路。主动搭话不念回答，只是让会话主动开启话题；名字里有 speak，功能却不是朗读。

dsh-voice：双向语音

dsh-voice 同时提供输入与播报，是「双向」的代表。

1. 语音输入：麦克风采集后转文字发送。
2. 逐条朗读：回答生成后自动播报。
3. 自动重开：播报结束后麦克风恢复。
4. 引擎选择：可接本地或远程语音引擎。
5. 端口配置：引擎通过端口通信，端口不通就没有声音。

双向意味着资源竞争，引擎则是外部依赖。 播报与收音不能同时进行；插件通常用「暂停—播报—重开」的顺序处理（来源）。插件本身不做识别与合成，依赖系统或第三方服务；装插件不等于装引擎。

dsh-tts：合成音频文件

dsh-tts 的重点是「产出文件」，不是「即时朗读」。

1. 把文字合成为 wav、mp3 等格式。
2. 支持兼容 OpenAI 的语音后端。
3. 配置路由、音色与输出路径。
4. 适合批量生成、配音与二次使用。
5. 播报类插件与它可共存，但用途不同。

文件合成适合离线与复用，后端也可以替换。 生成一次，可以多次播放或嵌入其他内容；即时朗读则每次都要调用。兼容接口意味着你可以换服务商；配置前确认接口协议与音色支持（来源）。

dsh-speak-up：主动搭话

它是「让会话自己说话」，不是「把回答念出来」。

1. 定时本地掷骰，命中才触发。
2. 触发后让会话自己开一轮。
3. 支持安静时段与命中线配置。
4. 适合陪伴与提醒，不适合朗读。
5. 与播报插件叠加时，注意打扰频率。

主动搭话的核心是「条件」，它也更适合陪伴场景。 没有命中就不说话；这与「每条回答都朗读」是相反的逻辑（来源）。工作提醒、节奏提示可以用；需要听内容时，选播报类。

平台与依赖

语音能力依赖系统与外部服务，平台差异明显。

1. 系统权限： 麦克风与扬声器需要授权；未授权时插件静默失败。语音引擎要安装并启动，远程引擎还要网络与密钥。
2. 端口： 本地引擎通过端口通信，端口冲突会导致无声。
3. 平台： 桌面端与 Web 端的权限模型不同；容器与无头环境通常没有音频设备。
4. 语言与音色： 不同引擎支持的语言与音色不同，配置前确认。

无头环境基本不可用，权限问题也最容易被忽略。 没有音频设备时，播报与输入都无法工作；这类场景应改用文本。插件装了、引擎也起了，但系统没给麦克风权限，表现就是「没反应」。

配置与验证

配置分三步，验证看三个信号。

1. 选能力： 先确定要朗读、合成还是输入。
2. 配引擎： 填引擎地址、端口、音色与密钥。
3. 开开关： 插件通常默认关闭播报或输入，需要手动启用。
4. 验证输入： 说一句话，看是否转成文字。
5. 验证输出： 发一条消息，看是否出声或生成文件。

三个信号是权限、引擎、开关，先测短文本。 任一不满足，都会表现为「没声音」或「没反应」。长文本会放大延迟与失败概率；短句通过，再测长内容。

失败排查

语音失败集中在四类。

1. 没声音： 引擎未启动、端口不通或音量静音；逐项确认。
2. 不识别： 麦克风权限、引擎语言或输入设备选错。
3. 播报被打断： 麦克风与扬声器抢占；调自动重开与暂停策略。
4. 合成文件为空： 后端返回错误或输出路径不可写；看日志与路径权限。

四类的排查入口是「引擎日志 + 插件日志」，先本地后远程。 只看界面，无法判断是权限、端口还是后端错误。本地引擎能通，再换远程；反过来排查，变量太多。

选型建议

按「要听、要存、要说、要陪」选。

不要同时装多个播报插件，先跑通一条链路。 会出现重复朗读与资源抢占；选一个主用。输入或输出选一个先验证，通了再加另一个；同时配，问题难定位。

下一步

先定能力，再配引擎，最后验权限。 想看按场景挑插件，看《dsh 插件推荐按场景挑》；想了解插件分类，看《DSH 插件分类有哪些》。

来源：dsh-voice 插件页（martindye）、dsh-tts 插件页（xuan25）、dsh-speak-up 插件页