语音与 TTS

Hermes Agent 在所有消息平台上支持文字转语音输出和语音消息转录两项功能。

Nous 订阅用户

如果你拥有付费的 Nous Portal 订阅，OpenAI TTS 可以通过 工具网关（Tool Gateway） 使用，无需单独的 OpenAI API 密钥。运行 hermes model 或 hermes tools 来启用。

文字转语音（TTS）

支持十种提供商将文字转换为语音：

提供商	音质	费用	API 密钥
Edge TTS（默认）	良好	免费	无需
ElevenLabs	优秀	付费	`ELEVENLABS_API_KEY`
OpenAI TTS	良好	付费	`VOICE_TOOLS_OPENAI_KEY`
MiniMax TTS	优秀	付费	`MINIMAX_API_KEY`
Mistral（Voxtral TTS）	优秀	付费	`MISTRAL_API_KEY`
Google Gemini TTS	优秀	免费额度	`GEMINI_API_KEY`
xAI TTS	优秀	付费	`XAI_API_KEY`
NeuTTS	良好	免费（本地）	无需
KittenTTS	良好	免费（本地）	无需
Piper	良好	免费（本地）	无需

平台投递方式

平台	投递方式	格式
Telegram	语音气泡（内嵌播放）	Opus `.ogg`
Discord	语音气泡（Opus/OGG），回退为文件附件	Opus/MP3
WhatsApp	音频文件附件	MP3
CLI	保存至 `~/.hermes/audio_cache/`	MP3

配置

# In ~/.hermes/config.yaml
tts:
  provider: "edge"              # "edge" | "elevenlabs" | "openai" | "minimax" | "mistral" | "gemini" | "xai" | "neutts" | "kittentts" | "piper"
  speed: 1.0                    # Global speed multiplier (provider-specific settings override this)
  edge:
    voice: "en-US-AriaNeural"   # 322 voices, 74 languages
    speed: 1.0                  # Converted to rate percentage (+/-%)
  elevenlabs:
    voice_id: "pNInz6obpgDQGcFmaJgB"  # Adam
    model_id: "eleven_multilingual_v2"
  openai:
    model: "gpt-4o-mini-tts"
    voice: "alloy"              # alloy, echo, fable, onyx, nova, shimmer
    base_url: "https://api.openai.com/v1"  # Override for OpenAI-compatible TTS endpoints
    speed: 1.0                  # 0.25 - 4.0
  minimax:
    model: "speech-2.8-hd"     # speech-2.8-hd (default), speech-2.8-turbo
    voice_id: "English_Graceful_Lady"  # See https://platform.minimax.io/faq/system-voice-id
    speed: 1                    # 0.5 - 2.0
    vol: 1                      # 0 - 10
    pitch: 0                    # -12 - 12
  mistral:
    model: "voxtral-mini-tts-2603"
    voice_id: "c69964a6-ab8b-4f8a-9465-ec0925096ec8"  # Paul - Neutral (default)
  gemini:
    model: "gemini-2.5-flash-preview-tts"  # or gemini-2.5-pro-preview-tts
    voice: "Kore"               # 30 prebuilt voices: Zephyr, Puck, Kore, Enceladus, Gacrux, etc.
  xai:
    voice_id: "eve"             # or a custom voice ID — see docs below
    language: "en"              # ISO 639-1 code
    sample_rate: 24000          # 22050 / 24000 (default) / 44100 / 48000
    bit_rate: 128000            # MP3 bitrate; only applies when codec=mp3
    # base_url: "https://api.x.ai/v1"   # Override via XAI_BASE_URL env var
  neutts:
    ref_audio: ''
    ref_text: ''
    model: neuphonic/neutts-air-q4-gguf
    device: cpu
  kittentts:
    model: KittenML/kitten-tts-nano-0.8-int8   # 25MB int8; also: kitten-tts-micro-0.8 (41MB), kitten-tts-mini-0.8 (80MB)
    voice: Jasper                               # Jasper, Bella, Luna, Bruno, Rosie, Hugo, Kiki, Leo
    speed: 1.0                                  # 0.5 - 2.0
    clean_text: true                            # Expand numbers, currencies, units
  piper:
    voice: en_US-lessac-medium                  # voice name (auto-downloaded) OR absolute path to .onnx
    # voices_dir: ''                            # default: ~/.hermes/cache/piper-voices/
    # use_cuda: false                           # requires onnxruntime-gpu
    # length_scale: 1.0                         # 2.0 = twice as slow
    # noise_scale: 0.667
    # noise_w_scale: 0.8
    # volume: 1.0                               # 0.5 = half as loud
    # normalize_audio: true

速度控制：全局 tts.speed 值默认应用于所有提供商。每个提供商可以通过自己的 speed 设置覆盖它（例如 tts.openai.speed: 1.5）。提供商级别的速度设置优先于全局值。默认值为 1.0（正常速度）。

输入长度限制

每个提供商都有文档记录的单次请求字符数上限。Hermes 在调用提供商之前会截断文本，确保请求不会因长度错误而失败：

提供商	默认上限（字符数）
Edge TTS	5000
OpenAI	4096
xAI	15000
MiniMax	10000
Mistral	4000
Google Gemini	5000
ElevenLabs	根据模型确定（见下文）
NeuTTS	2000
KittenTTS	2000

ElevenLabs 根据配置的 model_id 选择上限：

`model_id`	上限（字符数）
`eleven_flash_v2_5`	40000
`eleven_flash_v2`	30000
`eleven_multilingual_v2`（默认）、`eleven_multilingual_v1`、`eleven_english_sts_v2`、`eleven_english_sts_v1`	10000
`eleven_v3`、`eleven_ttv_v3`	5000
未知模型	回退到提供商默认值（10000）

按提供商覆盖，在 TTS 配置的提供商部分下添加 max_text_length:：

tts:
  openai:
    max_text_length: 8192   # raise or lower the provider cap

只接受正整数。零、负数、非数字或布尔值会回退到提供商默认值，因此配置错误不会意外禁用截断功能。

Telegram 语音气泡与 ffmpeg

Telegram 语音气泡需要 Opus/OGG 音频格式：

OpenAI、ElevenLabs 和 Mistral 原生输出 Opus 格式——无需额外设置
Edge TTS（默认）输出 MP3，需要 ffmpeg 进行转换
MiniMax TTS 输出 MP3，Telegram 语音气泡需要 ffmpeg 进行转换
Google Gemini TTS 输出原始 PCM，使用 ffmpeg 直接编码为 Opus 用于 Telegram 语音气泡
xAI TTS 输出 MP3，Telegram 语音气泡需要 ffmpeg 进行转换
NeuTTS 输出 WAV，Telegram 语音气泡也需要 ffmpeg 进行转换
KittenTTS 输出 WAV，Telegram 语音气泡也需要 ffmpeg 进行转换
Piper 输出 WAV，Telegram 语音气泡也需要 ffmpeg 进行转换

# Ubuntu/Debian
sudo apt install ffmpeg

# macOS
brew install ffmpeg

# Fedora
sudo dnf install ffmpeg

不安装 ffmpeg 时，Edge TTS、MiniMax TTS、NeuTTS、KittenTTS 和 Piper 的音频将作为普通音频文件发送（可以播放，但显示为矩形播放器而非语音气泡）。

提示

如果你想要语音气泡但不想安装 ffmpeg，请切换到 OpenAI、ElevenLabs 或 Mistral 提供商。

xAI 自定义声音（声音克隆）

xAI 支持克隆你的声音并将其用于 TTS。在 xAI 控制台中创建自定义声音，然后在配置中设置生成的 voice_id：

tts:
  provider: xai
  xai:
    voice_id: "nlbqfwie"   # your custom voice ID

有关录音、支持格式和限制的详细信息，请参阅 xAI 自定义声音文档。

Piper（本地，支持 44 种语言）

Piper 是来自 Open Home Foundation（Home Assistant 维护团队）的快速本地神经 TTS 引擎。它完全在 CPU 上运行，支持 44 种语言的预训练声音，无需 API 密钥。

通过 hermes tools 安装 → Voice & TTS → Piper——Hermes 会为你运行 pip install piper-tts。或手动安装：pip install piper-tts。

切换到 Piper：

tts:
  provider: piper
  piper:
    voice: en_US-lessac-medium

第一次 TTS 调用未本地缓存的声音时，Hermes 会运行 python -m piper.download_voices <name> 并将模型（约 20-90MB，取决于质量档次）下载到 ~/.hermes/cache/piper-voices/。后续调用会复用缓存的模型。

选择声音。 完整声音目录涵盖英语、西班牙语、法语、德语、意大利语、荷兰语、葡萄牙语、俄语、波兰语、土耳其语、中文、阿拉伯语、印地语等——每种语言都有 x_low / low / medium / high 质量档次。在 rhasspy.github.io/piper-samples 试听声音样本。

使用预下载的声音。 将 tts.piper.voice 设置为以 .onnx 结尾的绝对路径：

tts:
  piper:
    voice: /path/to/my-custom-voice.onnx

高级参数（tts.piper.length_scale / noise_scale / noise_w_scale / volume / normalize_audio、use_cuda）与 Piper 的 SynthesisConfig 一一对应。旧版 piper-tts 会忽略这些参数。

自定义命令提供商

如果你想使用的 TTS 引擎没有被原生支持（VoxCPM、MLX-Kokoro、XTTS CLI、声音克隆脚本，或任何暴露 CLI 的引擎），你可以将其作为命令类型提供商接入，无需编写任何 Python 代码。Hermes 将输入文本写入临时 UTF-8 文件，运行你的 shell 命令，并读取命令生成的音频文件。

在 tts.providers.<name> 下声明一个或多个提供商，并用 tts.provider: <name> 在它们之间切换——与在内置提供商（如 edge 和 openai）之间切换的方式相同。

tts:
  provider: voxcpm                 # pick any name under tts.providers
  providers:
    voxcpm:
      type: command
      command: "voxcpm --ref ~/voice.wav --text-file {input_path} --out {output_path}"
      output_format: mp3
      timeout: 180
      voice_compatible: true       # try to deliver as a Telegram voice bubble

    mlx-kokoro:
      type: command
      command: "python -m mlx_kokoro --in {input_path} --out {output_path} --voice {voice}"
      voice: af_sky
      output_format: wav

    piper-custom:                  # native Piper also supports custom .onnx via tts.piper.voice
      type: command
      command: "piper -m /path/to/custom.onnx -f {output_path} < {input_path}"
      output_format: wav

示例：Doubao（中文 seed-tts-2.0）

如需通过字节跳动的 seed-tts-2.0 双向流式 API 实现高质量中文 TTS，请安装 doubao-speech PyPI 包并将其接入为命令提供商：

pip install doubao-speech
export VOLCENGINE_APP_ID="your-app-id"
export VOLCENGINE_ACCESS_TOKEN="your-access-token"

tts:
  provider: doubao
  providers:
    doubao:
      type: command
      command: "doubao-speech say --text-file {input_path} --out {output_path}"
      output_format: mp3
      max_text_length: 1024
      timeout: 30

凭据来自 shell 环境（VOLCENGINE_APP_ID / VOLCENGINE_ACCESS_TOKEN）或 ~/.doubao-speech/config.yaml。通过向命令添加 --voice zh-female-warm（或 doubao-speech list-voices 中的任何其他别名）来选择声音。doubao-speech 还内置了流式 ASR——有关 Hermes 集成，请参阅下方的 STT 章节。源码和完整文档：github.com/Hypnus-Yuan/doubao-speech。

占位符

你的命令模板可以引用以下占位符。Hermes 在渲染时替换它们，并根据上下文（裸值/单引号/双引号）对每个值进行 shell 引用，因此带空格和其他 shell 特殊字符的路径是安全的。

占位符	含义
`{input_path}`	Hermes 写入的临时 UTF-8 文本文件路径
`{text_path}`	`{input_path}` 的别名
`{output_path}`	命令必须写入音频的路径
`{format}`	`mp3` / `wav` / `ogg` / `flac`
`{voice}`	`tts.providers.<name>.voice`，未设置时为空
`{model}`	`tts.providers.<name>.model`
`{speed}`	已解析的速度倍数（提供商或全局）

使用 {{ 和 }} 表示字面大括号。

可选键

键	默认值	含义
`timeout`	`120`	秒数；超时后进程树被终止（Unix `killpg`，Windows `taskkill /T`）。
`output_format`	`mp3`	`mp3` / `wav` / `ogg` / `flac` 之一。如果 Hermes 选择路径，则从输出扩展名自动推断。
`voice_compatible`	`false`	为 `true` 时，Hermes 通过 ffmpeg 将 MP3/WAV 输出转换为 Opus/OGG，使 Telegram 渲染语音气泡。
`max_text_length`	`5000`	输入在渲染命令之前截断至此长度。
`voice` / `model`	空	仅作为占位符值传递给命令。

行为说明

内置名称始终优先。 tts.providers.openai 条目不会覆盖原生 OpenAI 提供商，因此任何用户配置都无法静默替换内置提供商。
默认投递为文档。 命令提供商在所有平台上以普通音频附件投递。通过 voice_compatible: true 按提供商选择加入语音气泡投递。
命令失败会反馈给 Agent。 非零退出、空输出或超时都会返回包含命令 stderr/stdout 的错误，以便从对话中调试提供商。
设置了 command: 时，type: command 是默认值。 显式写 type: command 是好习惯但非必需；有非空 command 字符串的条目会被视为命令提供商。
{input_path} / {text_path} 可互换。 使用在命令中读起来更顺畅的那个。

安全性

命令类型提供商使用你的用户权限运行你配置的任何 shell 命令。Hermes 对占位符值进行引用并强制执行配置的超时，但命令模板本身是受信任的本地输入——以对待 PATH 中 shell 脚本的方式对待它。

语音消息转录（STT）

在 Telegram、Discord、WhatsApp、Slack 或 Signal 上发送的语音消息会自动转录并作为文本注入对话。Agent 将转录内容视为普通文本。

提供商	音质	费用	API 密钥
本地 Whisper（默认）	良好	免费	无需
Groq Whisper API	良好至最佳	免费额度	`GROQ_API_KEY`
OpenAI Whisper API	良好至最佳	付费	`VOICE_TOOLS_OPENAI_KEY` 或 `OPENAI_API_KEY`

零配置

安装 faster-whisper 后，本地转录开箱即用。如果不可用，Hermes 也可以使用常见安装位置（如 /opt/homebrew/bin）的本地 whisper CLI，或通过 HERMES_LOCAL_STT_COMMAND 使用自定义命令。

配置

# In ~/.hermes/config.yaml
stt:
  provider: "local"           # "local" | "groq" | "openai" | "mistral" | "xai"
  local:
    model: "base"             # tiny, base, small, medium, large-v3
  openai:
    model: "whisper-1"        # whisper-1, gpt-4o-mini-transcribe, gpt-4o-transcribe
  mistral:
    model: "voxtral-mini-latest"  # voxtral-mini-latest, voxtral-mini-2602
  xai:
    model: "grok-stt"         # xAI Grok STT

提供商详情

本地（faster-whisper） — 通过 faster-whisper 在本地运行 Whisper。默认使用 CPU，如有可用则使用 GPU。模型大小：

模型	大小	速度	质量
`tiny`	~75 MB	最快	基础
`base`	~150 MB	快速	良好（默认）
`small`	~500 MB	中等	更好
`medium`	~1.5 GB	较慢	出色
`large-v3`	~3 GB	最慢	最佳

Groq API — 需要 GROQ_API_KEY。当你需要免费托管 STT 选项时的良好云端备用方案。

OpenAI API — 优先接受 VOICE_TOOLS_OPENAI_KEY，回退到 OPENAI_API_KEY。支持 whisper-1、gpt-4o-mini-transcribe 和 gpt-4o-transcribe。

Mistral API（Voxtral Transcribe） — 需要 MISTRAL_API_KEY。使用 Mistral 的 Voxtral Transcribe 模型。支持 13 种语言、说话人分离和词级时间戳。通过 pip install hermes-agent[mistral] 安装。

xAI Grok STT — 需要 XAI_API_KEY。以 multipart/form-data 方式发送请求到 https://api.x.ai/v1/stt。如果你已经使用 xAI 进行聊天或 TTS，希望用一个 API 密钥搞定一切，这是个不错的选择。自动检测顺序将其排在 Groq 之后——显式设置 stt.provider: xai 强制使用。

自定义本地 CLI 回退 — 如果你想让 Hermes 直接调用本地转录命令，请设置 HERMES_LOCAL_STT_COMMAND。命令模板支持 {input_path}、{output_dir}、{language} 和 {model} 占位符。你的命令必须在 {output_dir} 下某处写入 .txt 转录文件。

示例：Doubao / Volcengine ASR

如果你使用 doubao-speech 进行 Doubao TTS（见上文），同一个包通过本地命令 STT 接口处理语音转文字：

pip install doubao-speech
export VOLCENGINE_APP_ID="your-app-id"
export VOLCENGINE_ACCESS_TOKEN="your-access-token"
export HERMES_LOCAL_STT_COMMAND='doubao-speech transcribe {input_path} --out {output_dir}/transcript.txt'

stt:
  provider: local_command

Hermes 将传入的语音消息写入 {input_path}，运行命令，并读取 {output_dir} 下生成的 .txt 文件。语言由 Volcengine bigmodel 端点自动检测。

回退行为

如果配置的提供商不可用，Hermes 会自动回退：

本地 faster-whisper 不可用 → 尝试本地 whisper CLI 或 HERMES_LOCAL_STT_COMMAND，然后才尝试云端提供商
未设置 Groq 密钥 → 回退到本地转录，然后 OpenAI
未设置 OpenAI 密钥 → 回退到本地转录，然后 Groq
未设置 Mistral 密钥/SDK → 自动检测时跳过；回退到下一个可用提供商
无任何可用提供商 → 语音消息直接传递，并向用户提供准确说明

文字转语音（TTS）​

平台投递方式​

配置​

输入长度限制​

Telegram 语音气泡与 ffmpeg​

xAI 自定义声音（声音克隆）​

Piper（本地，支持 44 种语言）​

自定义命令提供商​

示例：Doubao（中文 seed-tts-2.0）​

占位符​

可选键​

行为说明​

安全性​

语音消息转录（STT）​

配置​

提供商详情​

示例：Doubao / Volcengine ASR​

回退行为​