跳到主要内容

在 Hermes 中使用语音模式

本指南是语音模式功能参考的实用配套文档。

如果功能页面介绍的是语音模式能做什么，本指南则展示如何真正用好它。

语音模式的适用场景​

语音模式在以下情况特别有用：

  • 你想要无需动手的 CLI 工作流
  • 你想在 Telegram 或 Discord 中获得语音回复
  • 你想让 Hermes 在 Discord 语音频道中进行实时对话
  • 你想在走动时快速捕捉想法、调试问题或来回交流，而不用打字

选择你的语音模式设置​

Hermes 中实际上有三种不同的语音体验。

模式最适合平台
交互式麦克风循环编码或研究时的个人无手操作CLI
聊天中的语音回复正常消息传递旁附带语音响应Telegram、Discord
实时语音频道机器人语音频道中的群组或个人实时对话Discord 语音频道

推荐的上手路径：

  1. 先让文字模式正常工作
  2. 其次启用语音回复
  3. 最后如果想要完整体验，再接入 Discord 语音频道

步骤 1：先确保普通 Hermes 正常工作​

在接触语音模式之前，先验证：

  • Hermes 能正常启动
  • 提供商已配置
  • Agent 能正常回答文字提示
hermes

问一个简单的问题：

What tools do you have available?

如果文字模式还不稳定，先把它修好。

步骤 2：安装所需的额外依赖​

CLI 麦克风 + 播放​

pip install "hermes-agent[voice]"

消息平台​

pip install "hermes-agent[messaging]"

ElevenLabs 高级 TTS​

pip install "hermes-agent[tts-premium]"

本地 NeuTTS（可选）​

python -m pip install -U neutts[all]

一次安装所有​

pip install "hermes-agent[all]"

步骤 3：安装系统依赖​

macOS​

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian​

sudo apt install portaudio19-dev ffmpeg libopus0
sudo apt install espeak-ng

这些依赖的作用：

  • portaudio → CLI 语音模式的麦克风输入/播放
  • ffmpeg → TTS 和消息投递的音频转换
  • opus → Discord 语音编解码器支持
  • espeak-ng → NeuTTS 的音素化后端

步骤 4：选择 STT 和 TTS 提供商​

Hermes 同时支持本地和云端语音处理栈。

最简单/最便宜的设置​

使用本地 STT 和免费的 Edge TTS：

  • STT 提供商：local
  • TTS 提供商：edge

这通常是最佳的起点。

环境变量文件示例​

添加到 ~/.hermes/.env：

# 云端 STT 选项（本地无需密钥）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# 高级 TTS（可选）
ELEVENLABS_API_KEY=***

提供商推荐​

语音转文字（STT）​

  • local → 注重隐私和零成本使用的最佳默认选择
  • groq → 非常快速的云端转录
  • openai → 良好的付费备用方案

文字转语音（TTS）​

  • edge → 免费，对大多数用户来说效果够用
  • neutts → 免费的本地/设备端 TTS
  • elevenlabs → 最佳质量
  • openai → 良好的中间方案
  • mistral → 多语言，原生 Opus

使用 hermes setup 时​

如果你在设置向导中选择了 NeuTTS，Hermes 会检查 neutts 是否已安装。如果缺失，向导会告诉你 NeuTTS 需要 Python 包 neutts 和系统包 espeak-ng，提供为你安装的选项，用平台包管理器安装 espeak-ng，然后运行：

python -m pip install -U neutts[all]

如果你跳过该安装或安装失败，向导会回退到 Edge TTS。

步骤 5：推荐配置​

voice:
  record_key: "ctrl+b"
  max_recording_seconds: 120
  auto_tts: false
  beep_enabled: true
  silence_threshold: 200
  silence_duration: 3.0

stt:
  provider: "local"
  local:
    model: "base"

tts:
  provider: "edge"
  edge:
    voice: "en-US-AriaNeural"

这是适合大多数人的保守默认配置。

如果你想使用本地 TTS，将 tts 块改为：

tts:
  provider: "neutts"
  neutts:
    ref_audio: ''
    ref_text: ''
    model: neuphonic/neutts-air-q4-gguf
    device: cpu

用例 1：CLI 语音模式​

开启方式​

启动 Hermes：

hermes

在 CLI 中：

/voice on

录音流程​

默认按键：

  • Ctrl+B

操作步骤：

  1. 按下 Ctrl+B
  2. 说话
  3. 等待静音检测自动停止录音
  4. Hermes 转录并响应
  5. 如果开启了 TTS，它会朗读回答
  6. 循环可以自动重启以持续使用

常用命令​

/voice
/voice on
/voice off
/voice tts
/voice status

实用的 CLI 工作流​

即走即调试​

说：

I keep getting a docker permission error. Help me debug it.

然后继续免手操作：

  • "再读一遍最后的错误"
  • "用更简单的方式解释根本原因"
  • "现在给我确切的修复方案"

研究 / 头脑风暴​

非常适合：

  • 一边走动一边思考
  • 口述半成形的想法
  • 请 Hermes 实时帮你整理思路

无障碍 / 低打字场景​

如果打字不方便，语音模式是保持在完整 Hermes 工作流中最快的方式之一。

调整 CLI 行为​

静音阈值​

如果 Hermes 开始/停止太激进，调整：

voice:
  silence_threshold: 250

阈值越高 = 灵敏度越低。

静音持续时间​

如果你在句子之间经常停顿，增加：

voice:
  silence_duration: 4.0

录音按键​

如果 Ctrl+B 与你的终端或 tmux 习惯冲突：

voice:
  record_key: "ctrl+space"

用例 2：Telegram 或 Discord 中的语音回复​

这个模式比完整语音频道更简单。

Hermes 仍然作为普通聊天机器人，但可以朗读回复。

启动网关​

hermes gateway

开启语音回复​

在 Telegram 或 Discord 中：

/voice on

或

/voice tts

模式说明​

模式含义
off仅文字
voice_only仅当用户发送语音时才朗读
all朗读每条回复

何时使用哪种模式​

  • /voice on — 仅对语音来源的消息回复语音
  • /voice tts — 随时拥有完整的语音助手

实用的消息工作流​

手机上的 Telegram 助手​

适合以下场景：

  • 你离开了自己的机器
  • 你想发语音消息并获得快速语音回复
  • 你想让 Hermes 充当便携式研究或运维助手

带语音输出的 Discord 私信​

适合在不触发服务器频道 @ 提及行为的情况下进行私密交互。

用例 3：Discord 语音频道​

这是最高级的模式。

Hermes 加入 Discord 语音频道，监听用户语音，转录后运行正常的 Agent 流程，并将回复朗读回频道。

所需的 Discord 权限​

除了普通文字机器人设置外，确保机器人拥有：

  • 连接（Connect）
  • 发言（Speak）
  • 建议同时开启使用语音活动（Use Voice Activity）

还需在开发者门户中启用特权意图（Privileged Intents）：

  • 在线状态意图（Presence Intent）
  • 服务器成员意图（Server Members Intent）
  • 消息内容意图（Message Content Intent）

加入和离开​

在机器人存在的 Discord 文字频道中：

/voice join
/voice leave
/voice status

加入后的工作方式​

  • 用户在语音频道中说话
  • Hermes 检测语音边界
  • 转录内容发布在关联的文字频道中
  • Hermes 以文字和音频形式响应
  • 文字频道就是发出 /voice join 的那个

Discord 语音频道使用的最佳实践​

  • 严格限制 DISCORD_ALLOWED_USERS
  • 先在专用的机器人/测试频道中使用
  • 在尝试语音频道模式之前，先验证 STT 和 TTS 在普通文字聊天语音模式中能正常工作

语音质量建议​

最佳质量设置​

  • STT：本地 large-v3 或 Groq whisper-large-v3
  • TTS：ElevenLabs

最佳速度/便利设置​

  • STT：本地 base 或 Groq
  • TTS：Edge

最佳零成本设置​

  • STT：本地
  • TTS：Edge

常见故障模式​

"No audio device found"​

安装 portaudio。

"机器人加入了但听不到任何声音"​

检查：

  • 你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 中
  • 你是否没有被静音
  • 特权意图是否已启用
  • 机器人是否有连接/发言权限

"它能转录但不说话"​

检查：

  • TTS 提供商配置
  • ElevenLabs 或 OpenAI 的 API 密钥/配额
  • Edge 转换路径所需的 ffmpeg 安装

"Whisper 输出乱码"​

尝试：

  • 更安静的环境
  • 更高的 silence_threshold
  • 不同的 STT 提供商/模型
  • 更短、更清晰的话语

"私信中正常但服务器频道中不行"​

这通常是 @ 提及策略的问题。

默认情况下，除非另行配置，机器人在 Discord 服务器文字频道中需要 @mention。

建议的第一周设置​

如果你想要最短的成功路径：

  1. 先让文字 Hermes 正常工作
  2. 安装 hermes-agent[voice]
  3. 使用本地 STT + Edge TTS 的 CLI 语音模式
  4. 然后在 Telegram 或 Discord 中启用 /voice on
  5. 只有在那之后，再尝试 Discord 语音频道模式

这种渐进方式将调试范围控制在最小。

后续阅读​