<p align="center"><img src="docs/assets/banner.png" alt="voicelens banner" width="100%"></p>
<h1 align="center">voicelens 🎙️</h1> <p align="center"><b>给文本模型装上「耳朵」——说人话，AI 就听得懂了。</b></p>
<p align="center"> <a href="https://github.com/EthanHuangEbor/VoiceLens/blob/main/LICENSE"><img src="https://img.shields.io/badge/license-MIT-green" alt="License"></a> <img src="https://img.shields.io/badge/node-%3E%3D22-blue" alt="Node"> <img src="https://img.shields.io/badge/DSH%20plugin-native-8b5cf6" alt="DSH native plugin"> </p>
---
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。
<p align="center"><img src="docs/assets/demo.png" alt="DSH 输入框 + voicelens 麦克风按钮" width="720"></p>
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。
<p align="center"><img src="docs/assets/architecture.png" alt="voicelens architecture" width="720"></p>
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。