多模态 · 第 21 页 586 个插件
图像、语音、视频、截图识别 本页是第 21 页,收录第 481–504 个(共 586 个)。
给 B站 视频一键三连 —— 不白嫖别人,也不让自己白吃饭。
适用于 Node.js 和浏览器的最快 JSON 验证器。
工具接受 prompt、可选 image(URL、Base64 或最多 10 项数组)、size、response_format 和当前消息的 output_dir。
与当前版本不兼容中文说明 → docs/README.zh-CN.md。
速览版在 README.md(三分钟读完)。这份是长版:设计取舍、实测基线、和其他插件的对比。
不能与 1 个同 id 插件同装一个 DeepSeek Harness(dsh)插件:让纯文本模型也能"看"附件图片——图片在本机用 Tesseract OCR 识别,只有识别出的文字会发给模型 API。
低成本视频理解插件:给 dsh agent 注册 video_understand 工具——B站链接 / BV 号 / 本地视频 → AVIS 信息层(ASR 转写 + 场景结构 + 运动对象轨迹 + YOLO 语义)→ 摘要+问答。
不能与 1 个同 id 插件同装给 DeepSeek Harness 一个离线、零依赖的 OCR 工具:直接调 macOS 自带的 Vision 框架,把扫描件、截图、拍照文档和 PDF 里的文字,连同逐行坐标一起交给模型。
给 DeepSeek Harness(DSH)补上图片生成能力的插件:后端接本地 ComfyUI, 对外只暴露一个 Agent 工具 generate_image —— 文生图、图生图、局部重绘、背景移除四合一。
给 DeepSeek Harness 用的本地 GPT-SoVITS 语音朗读插件:把助手的回复用达妮娅的音色念出来, 旁边挂着一个可拖动的小挂件控制开关。
一个 DeepSeek Harness 插件:给模型一个原生的 desktop 工具,截屏看屏幕、按文字定位控件、移动/点击鼠标、输入文字和组合键。
把一段本地视频,一路送到投稿页的"待发布"状态。
DeepSeek Harness 的本地 OCR:从截图、照片或扫描件中读出文字,无需联网,也无需 API 密钥。
给 DeepSeek Harness(Web 端)装一个本地 OCR 兜底:当会话路由到的模型不支持图片输入时, 把图片里的文字读出来给模型;模型能看图时,插件完全静默、不插手。
不能与 1 个同 id 插件同装为 DeepSeek Harness 打造的 B 站检索插件。安装后 Agent 获得五个工具。
给 AI 一个"喊话"工具:把文字合成语音,用扬声器大声喊出来。 一个 DSH (DeepSeek Harness) 插件,让 AI 在需要你回来的时候真的把你叫过来。
面向:使用者 · 状态:stable · 最近核对:2026-09-20。
不能与 3 个同 id 插件同装DeepSeek Harness 双层图片识别插件:为纯文本模型补上识图能力,本地图片识别 + 模型识别双通道。
AI 不再"听你描述屏幕",而是自己看 —— 而且只传"画面变了"的那几帧。
给 AI agent 的 Unity 眼睛和手:看见实时画面(按需单帧 + 限频持续预览)、用虚拟鼠标操作用,再用游戏状态回读校验。
把一条跑通过的真实短视频生产流水线作为内置 skill 装进 DeepSeek Harness:共 19 个技能(1 个总入口 + 1 个编排 + 17 个原子),随插件一起出现在 agent 的技能目录里。
DSH 视频创作工作台插件:把一个素材目录做成成片。
不能与 2 个同 id 插件同装把 vidlens 从一个 stdio MCP 外壳变成 DSH 原生插件:18 个 vidlens_* 工具、图片直接进对话、按工具设超时、外加三个零下载的缓存工具。
给 DeepSeek Harness(DSH)的纯文本模型补上免费「眼睛」:一个分析已知本地图片路径的 vision(image, question) 工具, 直连智谱 GLM 免费视觉 API(glm-4v-flash → glm-4.6v-flash → glm-4.1v-thinking-flash 自动降级链), 不依赖任何额外安装的 CLI。
本页没有匹配的插件
筛选只作用于当前这一页的卡片。换一组条件,或者回 全部插件从第一页看起。
