# 从 91 到 254 项测试：dsh-voice-mode 的 60 天迭代故事

> 60 天，11 批次周全修复，测试基线从 91 项涨到 254 项。
> 仓库：https://github.com/qishuilalala/dsh-voice-mode · 当前版本 `dsh-voice-mode@0.7.7`

## 一个语音插件最难的不是识别，是"说话的规矩"

dsh-voice-mode 是 DSH 的语音双工插件：你说话，它识别；它朗读，你打断。识别引擎、TTS、字幕、回声消除，这些是功能清单上的事。真正让语音体验翻车的是另外三件事——噪音里它乱插话、你打断它它不松手、它该闭嘴时还在念。

60 天前，这个插件的测试基线是 91 项。今天，`npm test` 18 个文件 254 项全绿。这篇文章讲这 163 项测试是怎么长出来的，以及它们各自守住了哪个真问题。

## 四个真问题，决定了所有工作优先级

### 1. 噪音：你说的话，引擎没听进去

热词偏置要解决的是"专有名词被识别成谐音"的问题。批 1（`9467c81`）把热词注入识别解码，配合可调偏置分，让 dsh、kokoro 这类词不再靠运气。批 2（`3025e1b`）接着做了两件事：锁语种，杜绝中英混识的抖动；逆文本归一化（ITN），把"三点五"落成"3.5"。识别质量从此有了一套可配置的旋钮，而不是黑盒。

### 2. 打断：你说话时，它必须立刻闭嘴

打断体验的核心矛盾是"什么时候算你在说话，什么时候算你在附和"。批 5（`7f1a09f`）落地了 ADR-0008 的让位语义：短应答（"嗯""好""对"）不再触发打断，只有真正的插话才让它闭嘴。批 7E（`921334e`）补上了另一头的边界——短句确认从 0ms 提到 200ms 最小窗口（`CONFIRM_MIN_MS`），换气停顿不再把一句话切两半；SenseVoice 预热也前置到进入语音模式时，冷启动不再拖慢第一句。ADR-0006 的打断模式自动探测则在背后决定：外放时靠回声消除，耳机时直接放开门控。

### 3. 让位：它念长文时，得知道你只想"嗯"一声

这是四个问题里最"社会-语用"的一个。发言权调度不是声学问题，是规矩问题——ADR-0008 把它拆成了明确的规则表：什么词算附和、附和多久算让位、超时怎么收场。backchannel 30 项测试就是这套规矩的回归门。

### 4. 多语种与字幕：识别要对，显示也要对

批 2 锁语种 + ITN 之外，批 3（`0fe3f90`）做了字幕的无障碍档位：字号、宽度分档，窄屏和宽屏各有正确的呈现。批 7 系列里 `strings-coverage.test.mjs` 的 33 项断言把"设置界面文案必须中英双侧齐全"变成了机器守卫——漏一个键，测试直接红。

## 60 天 11 批次：周全修复是怎么排的

节奏很朴素：先 P0 救命，再收口，再精修。

- **批 1-3（P0）**：热词偏置（`9467c81`）、锁语种 + ITN（`3025e1b`）、字幕档位（`0fe3f90`）。识别和显示的地基。
- **批 4-5（ADR 落地）**：ADR-0007 emotion 标签 DSL 步 1（`959c742` → `7b94653` → `d013193`），`<break>` 停顿和 whisper 轻语进了 TTS 链路；ADR-0008 让位语义（`7f1a09f`）。
- **批 6（总收口）**：`14dfc5e`，一次性确认不变量 I1-I10 全部保住——finalize 幂等、TTS 帧协议零触碰、`client.inject` 9 个锚点逐字未动。
- **批 7A-J（10 批周全修复）**：从 `78574ad` 到 `2d646d9`，每批只做一类事——识别器懒重建、设置透传、文案覆盖守卫、TTS 静音拼帧顺序、端点确认 200ms、让位守卫、数字输入校验、TTS 失败提示、/preview 错误归类、死代码清理。
- **批 7K/7L（文档收口）**：`15be91a` 落真机验收清单，`1041929` 把文档锚点和数字与代码逐一对齐。文档与代码完全一致，不是口号，是测试外的另一道工序。

值得一提的还有那次 B1 险情：批 4 一度出现"单测 151/151 全绿、集成层 emotion 标签被分段器剥掉"的假阳性。收口 commit 加了 segmenter → emotion 全链路断言，从此这种"单测通过、集成断裂"有了专门的防回归门。

## 兼容性：不拿用户当测试

0.7.7 的兼容声明是 `>=0.1.1-rc.2`（无上界），覆盖 dsh `0.1.1-rc.2 → 0.1.5-rc.2`，其中 0.1.5-rc.2 做了线上真实 LLM 端到端验证。四版本锚点检查 + 四线 typecheck + 隔离冒烟是每次发布的固定动作，不是"应该能跑"。

## 下一步

- **F1**：emotion 标签 DSL 全量上线——从"解析了"走到"LLM 主动用得好"，包括给 system prompt 注入标签使用指引。
- **ADR-0003**：client-side VAD 下沉，把语音活动检测从 host 侧移到客户端，进一步压延迟。

测试会继续涨，但衡量标准不变：每个新测试都必须守着一个真问题。

---

- 仓库：https://github.com/qishuilalala/dsh-voice-mode
- npm：`dsh-voice-mode@0.7.7`
- Release：https://github.com/qishuilalala/dsh-voice-mode/releases/tag/v0.7.7