@Murphy2000-cyk

dsh-asr-xiaomi

Name: dsh-asr-xiaomi
Availability: InStock
Author: Murphy2000-cyk

基于小米 MiMo 云端识别给 DeepSeek Harness 加语音输入的插件

Stars: 1
Language: PowerShell
Created: Oct 25, 2026
Updated: Oct 25, 2026

Tools

GitHub repo

Introduction

dsh-asr-xiaomi

给 DeepSeek Harness 加语音输入：点一下麦克风，说话，文字直接进输入框。语音识别走小米 MiMo 云端接口，本机零模型、零 GPU、零额外内存占用。

一个 DSH 的语音识别 Provider 插件。纯 Host 侧 HTTP 客户端，不下载模型权重、不启动子进程、不占显存。

为什么做这个

**DSH 目前没有开箱可用的语音输入。**装好之后，输入框旁边连一个麦克风按钮都没有，想说话只能自己打字。

底层其实已经有一整套语音组件（浏览器录音 UI、带鉴权的接口层、识别器注册表），但它们都是实验性的，默认不启用；官方那条路线还要额外下载本地模型权重，占磁盘也占内存。

这个插件补的就是最后那一层，也就是一个具体的识别器实现：注册一个云端 Provider，把音频送到小米 MiMo，拿回文字。装完重启就能用，不下载任何模型。

该插件的特点是：识别在云端完成，本机不跑推理，因此不占 CPU、内存和显存。反过来说，这也意味着它依赖网络，断网就用不了。

为什么选小米 MiMo

选它的理由主要就两条：性价比高，识别效果够好。价格上，用默认的 mimo-v2.6-flash 转写，一小时音频约 ¥0.044，按每天用一小时算，一个月也就一块多钱。效果上，它能自动加标点、根据上下文纠正同音错字，并保留 AGENTS.md、Remotion、DeepSeek 这类术语的英文原形，日常口述是够用的。

特性

特性	说明
零本地模型	不装 SenseVoice、不下载权重，整个包约 110 KB
零上下文成本	插件不进系统提示，模型上下文里是 0 个 token
自动标点	官方声明 ASR 自动加标点，flash 由提示词保证
术语保真	提示词要求逐字转写、保留英文术语原形
纠同音错字	flash 模型能根据上下文自动纠正
两种模型可切	便宜的全模态 flash，或专用转写 ASR，一键切换
Ctrl+Alt 快捷键	轻按开始 / 再轻按停止，不用去点按钮
一键开关与卸载	带标记的配置段，卸载不留残渣
不含任何密钥	安装时弹窗输入，只落在你自己的机器上

成本

模型	计费口径	单价	一小时音频	特点
`mimo-v2.6-flash`（默认）	按 token	6.25 tokens/秒	约 ¥0.044	便宜，能纠错、保术语
`mimo-v2.5-asr`	按音频时长	¥0.5/小时	¥0.5	抗噪、方言、纯转写保真度更好

flash 比 asr 便宜约 11 倍。日常用默认的就行。

换算：1 小时音频 ≈ 22,500 输入 token，100 万 token ≈ 44.4 小时音频。注意这是按量计费，从账户余额扣，与「Token Plan」套餐额度不互通。

快速开始

前置条件

项	要求
系统	Windows 10 / 11（安装脚本用了 WinForms 弹窗，非 Windows 装不了）
DSH	已安装，并且至少启动过一次（否则还没有 `cordis.patch.yml`）
账号	一个小米 MiMo API Key，账户余额不能为 0
Node.js	可选。只有 Ctrl+Alt 快捷键那一步需要

路线一：自己装（推荐）

下载本仓库，解压到任意目录
双击 安装小米语音输入.bat，粘贴 API Key，点「安装」
自己重启 DSH（关掉所有页面 → 重新打开启动器）。脚本不会替你重启
输入框右边出现麦克风图标 = 成功
可选：双击 设置快捷键.bat 启用 Ctrl+Alt

详细图文步骤见 安装说明.txt。

路线二：让 AI Agent 先检查

把仓库路径丢给你的 AI 助手，让它读 Agent预检说明.md。里面有：

一段可直接粘贴执行的 PowerShell 预检脚本
PASS / FAIL / WARN 三级判定规则
每个失败项对应的补救办法
检查通过后才进入安装的标准话术

Agent 只负责「检查 + 指路」，密钥由你自己在弹窗里输入，不经过 AI 的上下文。

路线三：命令行（无人值守）

powershell -NoProfile -ExecutionPolicy Bypass -File .\install.ps1 -Key "sk-..." -Model mimo-v2.6-flash

⚠️ 传了 -Key 就跳过弹窗。不带 -Key 在无界面会话里跑，会弹出一个没人点的模态窗口，进程挂到超时。

安装它到底改了哪三个地方

开源项目应该把改动讲清楚。安装脚本只做三件事，全部可逆：

#	位置	做什么
1	`<DSH_HOME>\profiles\<profile>\node_modules\dsh-asr-xiaomi\`	复制插件本体（2 个文件）
2	`<DSH_HOME>\asr-xiaomi.key`	写入密钥，并把 ACL 收紧为仅当前用户可读
3	`<DSH_HOME>\profiles\<profile>\cordis.patch.yml`	追加一个带标记的配置段，改前自动备份

配置段长这样，用 >>> dsh-asr-xiaomi BEGIN / <<< END 包起来，重装时整段覆盖、卸载时整段删除：

- insert:
    - id: speech-to-text
      name: "@deepseek-ai/dsh-experimental-speech-to-text"
      config:
        defaultProvider: xiaomi-mimo-asr
        language: zh
    - id: api-speech-to-text
      name: "@deepseek-ai/dsh-experimental-api-speech-to-text"
    - id: ui-voice-input
      name: "@deepseek-ai/dsh-experimental-client-ui-voice-input"
    - id: asr-xiaomi
      name: "dsh-asr-xiaomi"
      config:
        providerId: xiaomi-mimo-asr
        model: mimo-v2.6-flash
        language: zh

前三行是 DSH 自带的语音子系统，本插件只提供最后那行 asr-xiaomi。

不要同时启用官方的 dsh-experimental-voice-input-bundle：它插入的是同样这三条，重复注册会导致语音服务报 duplicate provider 错误。

配置项

插件在 cordis.patch.yml 里的 config 字段：

键	默认值	说明
`providerId`	`xiaomi-mimo-asr`	注册到语音服务的识别器 id，要跟 `defaultProvider` 对上
`displayName`	`小米 MiMo 语音识别（云端）`	界面上显示的名字
`baseUrl`	`https://api.xiaomimimo.com/v1`	接口根地址，不要带 `/chat/completions`
`model`	`mimo-v2.6-flash`	填 `*-asr` 结尾则走专用转写模型
`language`	`zh`	`auto` / `zh` / `en`，仅 asr 模型用到
`apiKey`	空	直接写密钥。不推荐，优先用密钥文件
`apiKeyFile`	空	密钥文件路径；留空则用 `<DSH_HOME>\asr-xiaomi.key`
`timeoutMs`	`90000`	单次请求超时（毫秒）
`maxOutputTokens`	`4096`	输出上限，仅全模态模型使用

密钥读取优先级：

config.apiKey  →  环境变量 MIMO_API_KEY  →  config.apiKeyFile  →  <DSH_HOME>/asr-xiaomi.key

工作原理

浏览器麦克风（录音）
        │
        ▼
client-ui-voice-input        输入框旁的麦克风按钮，录音 UI
        │
        ▼
api-speech-to-text           带鉴权的接口层，DSH 侧单次上限约 4 MB / 120 秒
        │
        ▼
speech-to-text 服务          Provider 注册表，按 defaultProvider 派发
        │
        ▼
   ★ 本插件 asr-xiaomi       唯一的代码，Host 侧 HTTP 客户端
        │
        ▼
https://api.xiaomimimo.com/v1/chat/completions
        │
        ▼
   文字 → 输入框（不自动发送）

插件实现的是 DSH 的 Provider 契约，只有两个成员：

{
  info: { id, name, location: 'cloud', languages: ['auto','zh','en'] },
  async transcribe({ audio, language }, signal) → { text, audioSeconds, inferenceSeconds }
}

不声明 preparation，UI 就把它当成「立即可用」，不会弹安装引导。

两种模型的请求差异

	`mimo-v2.5-asr`	`mimo-v2.6-flash`
消息体	只发音频	音频 + 文字指令
语言控制	`asr_options.language`	由提示词控制
额外参数	—	`max_completion_tokens`、`thinking: {type:'disabled'}`
鉴权头	`api-key: <key>`	同左（也支持 `Authorization: Bearer`）

flash 分支的提示词要求：逐字转写、自动加标点、保留术语原形（DeepSeek / DSH / AGENTS.md / Remotion 等）、纠正同音错字。

计费细节

两种模型的计费口径完全不同，这一点很容易踩坑：

	`mimo-v2.5-asr`	`mimo-v2.6-flash`
计费依据	音频时长，精确到秒	token
单价	¥0.5 / 小时	输入 ¥1 / 百万 token，输出 ¥2 / 百万 token
一小时音频	¥0.5	¥0.0225（输入）+ ≈¥0.0216（输出）≈ ¥0.044

flash 的 token 换算：

输入 token ≈ 音频秒数 × 6.25
1 小时 = 3600 × 6.25 = 22,500 token
100 万 token ÷ 22,500 ≈ 44.4 小时音频

金额随时可能调整，以小米控制台账单为准。

兼容性

项	状态
DSH `0.2.0-rc.2`	✅ 实测可用
其他 DSH 版本	⚠️ 未验证。依赖 `dsh-experimental-speech-to-text` / `-api-speech-to-text` / `-client-ui-voice-input` 三个包，且插件本身依赖 `@deepseek-ai/schemastery`
Windows 10 / 11	✅
macOS / Linux	❌ 不支持（安装脚本是 PowerShell + WinForms）

DSH 升级后会发生什么：

位置	是否保留
`cordis.patch.yml` 配置段	✅ 保留
`~/.dsh/asr-xiaomi.key`	✅ 保留
`node_modules/dsh-asr-xiaomi/`	❌ 依赖树可能被重装，会丢
Ctrl+Alt 快捷键（改在 `client.js` 里）	❌ 会被覆盖

升级后的恢复动作：重跑 安装小米语音输入.bat（Key 会自动预填）→ 重跑 设置快捷键.bat → 重启。

隐私

本仓库不含任何 API Key，也从来不会有。Key 由你在安装时输入，只写到你自己机器的 %USERPROFILE%\.dsh\asr-xiaomi.key，该文件 ACL 已限制为仅当前用户可读
音频不进 Session：录音是临时数据，不会成为 Session 事件或附件
不经过第三方：音频只发往你自己填的小米接口地址，没有中转服务器
不进模型上下文：插件和录音对 prompt token 的贡献是 0

仓库结构

dsh-asr-xiaomi/
├── README.md               本文件
├── 安装说明.txt            三步装完，给人看
├── Agent预检说明.md        给 AI Agent 的安装前检查规程
├── 使用说明.md             完整手册：原理、计费、配置、排错
├── 安装小米语音输入.bat    安装
├── 卸载小米语音输入.bat    卸载
├── 设置快捷键.bat          Ctrl+Alt 快捷键（可选）
├── 语音输入开关.bat        开关 / 换模型
├── install.ps1             上面四个 bat 实际调用的脚本
├── uninstall.ps1
├── toggle.ps1
├── hotkey.ps1
└── plugin/
    ├── package.json
    └── lib/
        └── index.js        插件全部逻辑，约 210 行

文档

文件	读者	内容
`安装说明.txt`	人	准备事项、五步安装、六类故障排查
`使用说明.md`	人	完整手册，20 节，含原理、计费、配置项、兼容性、一页速查
`Agent预检说明.md`	AI Agent	预检脚本、判定规则、补救办法、报告模板

已知限制

限制	说明
非流式	DSH 的语音服务只支持「录完再转写」，没有流式识别。说完点停止才出文字
录音时失焦会取消	现有语音前端的行为，不是本插件的 bug
快捷键靠改 `client.js`	通过往 DSH 的 `client-ui-voice-input` 包里追加一段 IIFE 实现，属于 hack。DSH 升级会覆盖
快捷键依赖页面选择器	靠 `[aria-label="开始录音"]` 找按钮，DSH 改文案就失效
只有 Windows	安装脚本是 PowerShell + WinForms
依赖 DSH 实验性包	三个 `dsh-experimental-*` 包名或结构一变，插件就要跟着改
账户余额为 0 时静默失败	表现和 Key 填错一样，都是转写失败

卸载

双击 卸载小米语音输入.bat。四步全自动：

从 cordis.patch.yml 删掉标记段
撤销 Ctrl+Alt 快捷键（并验证标记已消失）
删除插件目录
询问是否一并删除密钥文件

想临时停用而不卸载：双击 语音输入开关.bat，选关闭。配置段还在，加个 disabled: true 而已，再开一次就恢复。

开发与自测

插件本身没有构建步骤，改完 plugin/lib/index.js 直接重装即可生效（重启后）。

两条本地验证路径：

1. 语法与契约

node --check plugin\lib\index.js

transcribe 的入参是 { audio: Uint8Array, language }，返回 { text, audioSeconds, inferenceSeconds }。想脱离 DSH 单独测，可以起个假服务把 baseUrl 指过去。

2. 端到端

装好后用快捷键录一句中英混说的话，检查三件事：标点是否正确、AGENTS.md 这类术语有没有被改写、文字是否进了输入框但没有自动发送。

欢迎提 Issue 和 PR。改代码的话请顺手更新 使用说明.md 里对应的章节。

License

MIT

English Summary

dsh-asr-xiaomi is a speech-to-text provider plugin for DeepSeek Harness (DSH) that routes microphone audio to Xiaomi's MiMo cloud API.

No local model — no weight downloads, no GPU, no extra RAM. Total package ~110 KB.
Zero context cost — the plugin contributes 0 prompt tokens.
Two models: mimo-v2.6-flash (~¥0.044/hr, token-billed, error-correcting) or mimo-v2.5-asr (¥0.5/hr, duration-billed, noise-robust).
Implements DSH's provider contract: { info, transcribe(input, signal) }.
Windows only — the installer is PowerShell + WinForms.
Tested against DSH 0.2.0-rc.2.
No API keys are contained in this repository. Users supply their own Xiaomi MiMo key at install time; it is stored locally at %USERPROFILE%\.dsh\asr-xiaomi.key with restricted ACL.
Audio never becomes a Session event and never passes through any third-party relay.

See 使用说明.md for the full manual (in Chinese).

dsh-asr-xiaomi

Introduction

dsh-asr-xiaomi

目录

为什么做这个

为什么选小米 MiMo

特性

成本

快速开始

前置条件

路线一：自己装（推荐）

路线二：让 AI Agent 先检查

路线三：命令行（无人值守）

安装它到底改了哪三个地方

配置项

工作原理

两种模型的请求差异

计费细节

兼容性

隐私

仓库结构

文档

已知限制

卸载

开发与自测

License

English Summary