夜雨聆风DeepSeek Harness ，简称 DSH ，前阵子开源了，官方表示，把一切能力都做成插件， 36 氪和 DoNews 那阵子都在写。上一篇文章我拿它装插件试了两三天，今天不聊别人家的，聊我自己写的。
它叫 DSH-local-toolsbar ， 2026 年 8 月公开的， MIT ，一个把图片 OCR 、看图问答、文本翻译、语音转写、语音合成全做成本地的插件，仓库里配置说明都写齐了。
起因很俗：一张截图。十一点多，我想让 AI 读它。里面是会议纪要，两百来字。点开几个 OCR 网页：第一个要注册，第二个要上传，第三个倒是能识别——图片先过它服务器，免费额度用完按次收钱，一个比一个不地道。
那张图里有人名、数字，还有客户的报价，我把网页全关了。
云端 AI 的账，我越算越亏。
钱是一笔。 OCR 按次、 ASR 按时长、翻译按 token ，单看都不贵，架不住高频。一天读十张图、转三小时会、翻五十段英文，月底账单教你做人。说难听点，所谓免费额度就是把你拉进去的鱼饵，割韭菜的前奏——图都喂进去了，收费才开始。这操作挺恶心人的。我受够了每张图都先过一道别人家的服务器。
隐私是另一笔。图片和录音比文字敏感得多。报价单、内部会议、合同截图，传出去那一刻，就不再只属于你了。服务商的隐私政策写得很周全——出了事，赔不了你什么。托网盘转一道那套，早就不靠谱了。
还有一笔更气人的：断网。高铁上、客户会议室里、回老家的路上，网络一抽风，这些"AI 能力"当场变砖，烦得很。花钱买的能力，得挑信号好的地方才能用，太扯了。
也有人会说，买个会员不就完了。是能解决——但会员救不了断网，也解决不了"客户数据不许出本机"这种硬要求。好吧，会员能解决一部分，硬要求解决不了。
可本机明明装着 Windows 自带的 OCR 引擎，明明跑得动本地语音模型。凭什么非得绕一圈别人的服务器，这逻辑真扯。
说白了，本机能干的事非要上云，这账我算不过来。
Harness 的插件体系是现成的：宿主开一个 webServer 桥，插件把工具注册进去，浏览器再通过同源接口把图片、音频、文本送进桥里，由宿主落盘之后调用本机能力，整条链路中间不经过任何一台别人的服务器，断网也能跑，剩下的事就是搬砖，一块砖一块砖往里搬。
搬了几天，六个工具一个个亮起来的时候，说实话，有点小激动。
工具六个：
| 工具 | 作用 | 背后是什么 |
|---|---|---|
| local_ocr | 图片识别 | Windows 内置 WinRT OCR |
| local_vision | 看图问答、复杂 OCR | PaddleOCR-VL-1.6 约 1GB |
| local_translate | 中英日翻译 | Qwen3.6-35B-A3B |
| local_speech_asr | 音视频转写 | faster-whisper CPU |
| local_speech_tts | 文字转语音 | Kokoro-82M / MeloTTS |
| local_speech_status | 健康、音色清单 | 本地语音服务 |
分工上分得清：千帆 OCR 是 OCR 专用，不兼职翻译，翻译一律走 A3B ，一个模型干一件事，省得抢显存。
底层全是现成的开源项目——识别是 PaddlePaddle 的 PaddleOCR-VL ，语音是 Systran 的 faster-whisper 和 hexgrad 的 Kokoro ，翻译是阿里的 Qwen3.6 系列，我做的事说白了就是把它们拧到一个插件里，不指望它们互相认识，只求各自干好那份，别在同一个请求里互相拖后腿。
按钮四个：输入框一个「 OCR 」按钮，选图即插文字；一个「🎤」按钮，说完就转字；消息气泡下一个「🔊」，朗读 AI 回复，再点停；选中文字会浮出「译」，气泡里原文译文来回切。
文档里提到，语音服务只开回环、带 token 、无 CORS 。技术栈全在本机：模型跑 127.0.0.1:1234 ，语音服务在 127.0.0.1:18761 。图片、音频、文本，没有一个字节出得了你的机器，连语音 token 都只认本机回环。
细节上花了点心思。混排文本自动分段选音色：中文走 zf_xiaoxiao ，英文走 af_bella （语速 0.9 ，听着自然些），日文走 jf_alpha ，中英日混一段丢进去，它先按语言切成三段、各配各的嗓门，出来不串味。
想看图问答还有个偷懒用法：在模型选择器里切到 LM Studio 视觉路由，直接把图拖进输入框。切来切去，够折腾的。
六个工具，四个按钮，一张 API key 都不用填，数据也一步都出不了这台机器。
像攒机。 DSH 是主板， LM Studio 是显卡，语音服务是声卡，插件是把它们插起来的排线。钱花在看得见的地方，数据不外流。
会攒机的人一看就懂，声卡插哪条槽、显卡接哪根线，脑子里过一遍就明白。不会的，往下看，照着五步走也能跑起来。
装它五步， PowerShell 环境，装到崩溃一次你就知道难在哪了。
就这么简单。
坑，提前说。
内存预警：两个模型常驻大约吃掉 22GB 内存。 16GB 的机器别硬上翻译模型，单用 OCR 那套没问题。
坑都在 README 里写明了。最大一个：视觉投影器 mmproj 文件必须和主模型同目录，命名为"主模型名-mmproj.gguf"。错一个字符， LM Studio 把模型当纯文本加载，你贴图进去它装瞎，蠢到家了。这个坑我第一版文档里自己栽过——准确说，是先被它坑了一轮，才补进文档的。
装好之后怎么叫它干活？给几个例子，不然一上手就傻眼。
{"image_path":"C:/Users/you/Desktop/a.png"}
{"file_path":"C:/Users/you/Desktop/m.mp3","language":"zh"}
{"text":"你好，世界","targetLang":"en"}
另外，几个小账先算清：首次加载慢， A3B 要一两分钟， OCR 模型十到六十秒，之后就快了；韩语音色没装，输入谚文会直接提示——这个坑我还没填； pnpm store 冲突，换个 --store-dir 就好。这些细节少一条，你装的时候就要多花一个晚上。
配置都在一个 yaml 里： visionModel 、 translateModel 、 englishSpeed ， speechToken 留空就读 token 文件。离线是真的： OCR 、视觉、翻译、 ASR 、 TTS ，没一个字节上云，只有头回下模型要联网，走 hf-mirror 。
缺点也照说。
热血归热血，账得算清。
第一，只支持 Windows ， OCR 那条链路焊死在系统 WinRT 和 PowerShell 5.1 上，绕不过去，换个平台就得重写半边。 Mac 用户暂时没戏，挺失望的。
第二，门槛不低： LM Studio 加 22GB 内存，机器不行就带不动。轻用户会被劝退，挺尴尬。没有 22GB 内存，就只用 OCR 和看图，翻译模型别硬塞。
第三，一个人写的，测试覆盖不厚，出 bug 是常态，被吐槽我也认， issue 我尽量修。翻译模型 22GB ，下载挂一阵子，惨是惨了点， hf-mirror 速度整挺好。
定位很诚实：这是给愿意折腾、又在意数据不出本机的人准备的，不是全家桶。值不值得装，取决于你有多烦云端 API ，也取决于你愿不愿意折腾这一回。选择权在你。
仓库： https://github.com/99kevindk/DSH-local-toolsbar ， star 、 issue 、 PR 都欢迎。
如果你也装了，下一件事你最想让它干吗？评论区说说，或者直接去仓库开个 issue 。