voicelens

---

为什么做这个

跟 AI 聊天，绝大多数时候你还是得打字。

想躺着聊？想一边喝咖啡一边口述一段思路？想偷懒？—— 打开输入框，旁边多了个小喇叭，点一下，直接说。每停顿一下，刚说的那句话就自动落进输入框，说到哪儿你都看得见。

就这么简单，不用训练，不用改习惯。

它现在能干嘛

• 🎙️ 边说边出字：说话时字词实时浮现在喇叭上方，每断一句立刻写入输入框——不再是"录完了才一次性蹦出来一大段"。
• 📝 模型也能转写音频：扔给它一个音频文件或链接，transcribe_audio 工具直接转成文字证据。
• 🖥️ 不只在 DSH 能用：同一个引擎打包成了 voicelens 命令行，Claude Code / Codex / Pi / OpenClaw 里的 agent 读同一份技能就能用。
• 🔌 转写引擎随便换：Groq（免费）/ OpenAI 兼容端点 / 本地 whisper.cpp，一份配置，所有宿主共享。

快速上手

# DSH 原生插件（麦克风按钮 + transcribe_audio 工具）
dsh plugin --profile web add voicelens

# 或装 CLI（任何宿主都能用）
npm install -g voicelens

装完刷新页面，输入框左边就是那个小喇叭。点一下，说话。

浏览器支持（实话实说）

浏览器	体验
Chrome / Edge	✅ 零配置，浏览器原生语音识别，开箱即用
Firefox / Safari	✅ 也能用，走「录音 → Host 转写」通道，需要先配一个转写引擎（见下）
其他	只要支持麦克风录音，基本都能跑

配置转写引擎（给 Firefox 和文件转写用）

export VOICELENS_PROVIDER=groq
export VOICELENS_GROQ_API_KEY=gsk_...   # 免费申请，个人用绰绰有余

Chrome / Edge 用户这一步可以跳过——浏览器自带识别，不要钱不要 key。

架构：站在巨人的肩膀上

一句话：把 modlens 那套「一个引擎、多端适配」的思路，从视觉搬到了语音。

modlens 证明了一件事：核心引擎（CLI + 多 provider）+ 一份通用技能 + 各平台薄薄一层原生适配，就能让一个能力到处跑。voicelens 照搬了这个套路，只是把「读图」换成了「听话」。

唯一绕不开的差别是：图片能靠「粘贴」进入所有宿主，语音没有这条现成通道——所以 DSH 里多了个麦克风按钮，这是必须自己补的一小块。模型侧的文件转写，则是天然的多平台。

致谢

这个项目能长出来，得真心谢谢两个项目：

• modlens —— 架构的蓝本。三层分离、provider 接口、分层配置、doctor 诊断，几乎都是跟它学的。作者 @liustack 的思路，我"抄"得很开心，也抄得理直气壮——好设计就该被复用。
• DeepSeek Harness (DSH) —— 开放的插件体系（bundle/client 清单、Slots 插槽、llm 服务……）让「语音输入」能做成一个干净的原生插件，而不是一堆 hack。

没有这俩项目，就没有 voicelens。Respect。🙏

License

MIT，随便用，别客气。