dsh-soundcheck

给 DeepSeek Harness 加本地音乐分析能力 —— 让文本模型能回答关于一首歌的问题。

分析在本机：音频不出本机、不上传、不调用云端推理 · Windows 专用 · CPU 可跑，不需要 GPU 安装或补装组件时需要联网：按所选组件下载依赖与模型，完整安装约 570 MB。装完后日常分析在本机执行，不访问网络、不上传音频

这是什么

一个 DSH 插件。装上之后直接在对话里问「这首歌多快」「有没有人唱」「哪段最炸」， 模型会调它给出的四个工具，拿回实测数据再回答。

它尽量给可追溯的测量依据；预测与听写都有局限，证据不足时会明说，而不是补一个看起来合理的数字。

干什么用

测不到什么（工具会直接说，不会硬编）：

• 具体乐器名 —— 中文民乐基本没有（实测会把唢呐报进没有唢呐的曲子）
• 情绪、氛围、场景、语义联想
• 音符级旋律 —— 音高只有轮廓

安装

在 DSH 插件市场搜 dsh-soundcheck 直接安装（已收录），或者：

dsh plugin add ALittleLov/dsh-soundcheck

装完重启 DSH。第一次分析之前先装引擎——打开 设置 → 音频分析，点「安装 / 修复引擎」（约 570 MB，走国内镜像）。

面板上能看到引擎、依赖、模型、可选组件的真实状态；哪里不对点「自检」，它会逐项告诉你是缺依赖、 模型不完整，还是临时目录不可写，并给出该做什么。

也可以命令行：/audio-install（装 / 修）、/audio-status（看状态）、/audio-doctor（自检）。

分轨与歌词听写是可选组件，不装也能用其余全部能力——在面板的「可选功能」里点「安装」， 或者让助手调 audio_provision({ stems: "4s" }) / audio_provision({ asr: "base" })。 缺组件时工具会明说缺什么，不会静默跳过。

都有什么

四个工具

常用参数：

audio_bands 是分频段诊断：把频谱切 5 段（30–250 / 250–800 / 800–2500 / 2500–6000 / 6000–12000 Hz）， 给每段的能量占比、打击密度、间隔规律性 cv。用来判断「这是音乐还是野外录音」、 验证某一层打击到底在不在。内部诊断用，不进主报告。

三个命令

怎么用

直接用自然语言问：

帮我看看 D:\Music\track.flac 这首歌什么情况
这首 2:40 那一段是怎么回事
这首有没有人唱？哪几段在唱？

要细节就加一句：

用 detail 看完整测量明细
只看 1:30 到 2:10，给我 json

装不上或想手动跑，命令行也能用：

cd <插件目录>/engine
export PYTHONUTF8=1          # Windows 上必须,否则中文输出会崩
python analyze.py "<音频路径>"
python analyze.py "<音频路径>" --detail
python analyze.py "<音频路径>" --json --brief
python analyze.py "<音频路径>" --start 1:30 --end 2:10
python analyze.py "<音频路径>" --stems 6s
python analyze.py "<音频路径>" --asr base
python analyze.py "<音频路径>" --pitch
python analyze.py "<音频路径>" --preview --preview-asr tiny

输出长什么样

默认一段判断，数字只在依据里：

[读法]  一行分界:带「推测 / 候选 / 可能」的是推断,直接报数的是测量,没提到的是测不出来
[判断]  一段人能直接读的结论:时长 / 速度层级 / 调性 / 母带 / 结构重心 / 最大反差 / 收尾
[状态]  推测:偏激烈 / 偏平静(由起音密度、响度、速度推得)
[四维]  推测:明暗 / 快慢 / 强弱 / 冷暖(谱质心、BPM、RMS、调式)
[依据]  判断背后的数字:峰值、RMS、起音、调性、拍速
[可信]  beat / 调性 / 根音 的适用性分数(0-1)
[听不到] 这类分析听不出来的东西

装了可选组件才会出现的段：

[分轨]  各轨能量占比 + 人声判定(有串音,占比看趋势)
[时间线] 逐块的变化事件(哪些轨变了、变了多少、持续多久);动作词是推断,括号里的数字是测量
[钩子]  能量与起音同时出现峰值的位置，不等同于副歌或歌曲中的 Hook
[听写]  只输出通过可信度筛选的候选段；没有可信段时只给状态与计数，不给正文
[标签]  模型预测标签,仅作辅助参考
[音高]  音域 / 趋势 / 有声占比 / 最长连续秒数

[时间线] 长这样：

[时间线]
   0:16.0  编曲加码（能量 -31→-21 dB、起音 20→38）；人声变响 56 dB，该状态持续 64 秒
   3:12.0  编曲加码（能量 -18→-15 dB、起音 52→42）；贝斯变响 6 dB，该状态持续 48 秒
   6:40.0  动态收缩（能量 -15→-22 dB、起音 56→44）
   8:16.0  动态收缩（能量 -13→-74 dB、起音 52→4），该状态持续 41 秒

它不说「这是副歌」，只说「哪个时刻、哪条轨、变了多少、维持了多久」。段落角色还是要人听。

已知限制

• 片段 BPM 不等于全曲 BPM：短片段会锁到别的拍层级，输出里会警告

• 和弦只到根音级：七度、挂四、转位在混音里分不出来

• 歌词是候选：音对字错是常态；非中文人声只给音译，不翻词义

• 中文乐器识别不可靠：所以判断里不写配器行

• 音高是轮廓不是音符：给不了调式、旋律走向的名字

• 人声证据不足时会跳过听写：判据是人声轨与混音之间的相对电平差（不是人声轨单独的 dBFS）， 分三档：

  • ≤ -20 dB → 不跑 ASR，状态 skipped_low_vocal_evidence
  • -20 ~ -15 dB（不含两端） → 灰区，同样不跑 ASR，状态 withheld_ambiguous_vocal_evidence
  • ≥ -15 dB → 允许跑 ASR，但结果仍须通过可信段筛选

  两个阈值是初始工程参数，没有用人工标注样本校准过。这是测量证据不足， 不是「已判定为纯器乐」——个别纯器乐仍可能因分轨泄漏跑到 ASR，反之轻声吟唱也可能被挡下

• 没有可靠歌词时不给降级稿：如果 ASR 跑了但没有任何一段通过可信度筛选， 只报数量、不提供正文——把没验证过的文字交给下游模型，它仍会当成歌词用

关于仓库历史

这个仓库于 2026-10-23 进行过迁移和重建：旧提交合并为一次提交，旧 Release 也已重新发布。

这带来三个表现：

• 看不到逐版本提交：完整版本记录见 CHANGELOG.md
• 提交时间集中在同一天
• 旧 Release 页面仍在，但里面打包的代码都是当前版本，不是该版本的原始代码

代码没有混淆、没有压缩。音频分析在本机执行，不上传音频或用户数据； 需要联网的只有安装与补装组件时的下载。 engine/analyze.py 是全文可读的。

下载文件的 sha256 校验值

插件下载的模型与配置文件都会校验 sha256。哈希写死在代码里（lib/index.js 的 CHECKSUMS）， 不是运行时从网上取——否则镜像站可以把文件和哈希一起换掉，校验就失效了。

下载后校验不通过会拒绝写入并换下一个源；全部失败就报错停下，不会拿一个来路不明的文件去推理。

想自己核对已经装好的模型：

sha256sum yamnet.onnx musicnn.onnx
# Windows: certutil -hashfile yamnet.onnx SHA256

许可

MIT