语音模式

Hermes Agent 支持在 CLI 和消息平台上进行完整的语音交互。通过麦克风与 Agent 对话，听取语音回复，并在 Discord 语音频道中进行实时语音对话。

如果你想要一份实用的设置指南，包含推荐配置和真实使用场景，请参阅使用 Hermes 的语音模式。

前置条件

使用语音功能前，请确保你已完成以下步骤：

已安装 Hermes Agent — pip install hermes-agent（参见安装）
已配置 LLM 提供商 — 运行 hermes model，或在 ~/.hermes/.env 中设置首选提供商的凭证
基础设置已正常工作 — 先运行 hermes 验证 Agent 能否以文本回复，之后再启用语音

tip

~/.hermes/ 目录和默认的 config.yaml 会在你首次运行 hermes 时自动创建。只需手动创建 ~/.hermes/.env 用于存放 API 密钥即可。

总览

功能	平台	描述
交互式语音	CLI	按 Ctrl+B 录音，Agent 自动检测静音并回复
自动语音回复	Telegram, Discord	Agent 在文本回复的同时发送语音音频
语音频道	Discord	Bot 加入语音频道，监听用户说话，并语音回复

要求

Python 包

# CLI 语音模式（麦克风 + 音频播放）
pip install "hermes-agent[voice]"

# Discord + Telegram 消息（包含 discord.py[voice] 以支持语音频道）
pip install "hermes-agent[messaging]"

# 高级 TTS（ElevenLabs）
pip install "hermes-agent[tts-premium]"

# 本地 TTS（NeuTTS，可选）
python -m pip install -U neutts[all]

# 一次性安装所有
pip install "hermes-agent[all]"

附加组件	包含的包	用途
`voice`	`sounddevice`, `numpy`	CLI 语音模式
`messaging`	`discord.py[voice]`, `python-telegram-bot`, `aiohttp`	Discord 和 Telegram Bot
`tts-premium`	`elevenlabs`	ElevenLabs TTS 提供商

可选的本地 TTS 提供商：单独使用 python -m pip install -U neutts[all] 安装 neutts。首次使用时会自动下载模型。

info

discord.py[voice] 会自动安装 PyNaCl（用于语音加密）和 opus 绑定。Discord 语音频道支持需要这些依赖。

系统依赖

# macOS
brew install portaudio ffmpeg opus
brew install espeak-ng   # 用于 NeuTTS

# Ubuntu/Debian
sudo apt install portaudio19-dev ffmpeg libopus0
sudo apt install espeak-ng   # 用于 NeuTTS

依赖项	用途	必须用于
PortAudio	麦克风输入和音频播放	CLI 语音模式
ffmpeg	音频格式转换（MP3 → Opus, PCM → WAV）	所有平台
Opus	Discord 语音编解码器	Discord 语音频道
espeak-ng	音素化后端	本地 NeuTTS 提供商

API 密钥

--- END TRANSLATED CHUNK --- 在 ~/.hermes/.env 中添加：

# 语音转文字 — 本地提供程序完全不需要密钥
# pip install faster-whisper          # 免费，本地运行，推荐
GROQ_API_KEY=your-key                 # Groq Whisper — 快速，免费套餐（云端）
VOICE_TOOLS_OPENAI_KEY=your-key       # OpenAI Whisper — 付费（云端）

# 文字转语音（可选 — Edge TTS 和 NeuTTS 无需任何密钥即可工作）
ELEVENLABS_API_KEY=***           # ElevenLabs — 高品质
# 上面的 VOICE_TOOLS_OPENAI_KEY 也能启用 OpenAI TTS

tip

如果安装了 faster-whisper，语音模式在 STT 方面 完全不需要任何 API 密钥。模型（base 版本约 150 MB）会在首次使用时自动下载。

CLI 语音模式

语音模式在经典 CLI（hermes chat）和TUI（hermes --tui）中均可使用。两者的行为完全一致——相同的斜杠命令、相同的 VAD 静音检测、相同的流式 TTS、相同的幻觉过滤器。TUI 还会额外将崩溃诊断日志转发到 ~/.hermes/logs/，这样在异常音频后端上发生的按键通话失败，就可以附带完整堆栈信息报告，而不是静默消失。

快速开始

启动 CLI 并启用语音模式：

hermes                # 启动交互式 CLI

然后在 CLI 内部使用这些命令：

/voice          切换语音模式开/关
/voice on       启用语音模式
/voice off      禁用语音模式
/voice tts      切换 TTS 输出
/voice status   显示当前状态

工作原理

使用 hermes 启动 CLI，然后用 /voice on 启用语音模式
按下 Ctrl+B — 播放一声提示音（880Hz），开始录音
说话 — 实时音频音量条会显示你的输入：● [▁▂▃▅▇▇▅▂] ❯
停止说话 — 静默 3 秒后，录音自动停止
两声提示音（660Hz）确认录音结束
音频通过 Whisper 转录并发送给 Agent
如果启用了 TTS，Agent 的回复会被朗读出来
录音自动重新开始 — 无需按任何键即可再次说话

这个循环会持续进行，直到你在录音期间按下 Ctrl+B（退出连续模式）或连续 3 次录音未检测到语音。

tip

录音键可通过 ~/.hermes/config.yaml 中的 voice.record_key 配置（默认：ctrl+b）。

静音检测

两阶段算法检测你何时说完：

语音确认 — 等待音频超过 RMS 阈值（200）至少 0.3 秒，容忍音节之间的短暂低谷
结束检测 — 确认语音后，连续静默 3.0 秒触发结束

如果 15 秒内完全没有检测到语音，录音会自动停止。

silence_threshold 和 silence_duration 都可以在 config.yaml 中配置。你也可以用 voice.beep_enabled: false 禁用录音开始/结束提示音。

流式 TTS

启用了 TTS 后，Agent 在生成文本时会逐句说出它的回复——你无需等待完整响应：

将文本增量缓冲成完整句子（最少 20 个字符）
去除 Markdown 格式和 `

幻觉过滤器

Whisper 有时会从静音或背景噪音中生成幻影文本（例如“感谢观看”、“订阅”等）。Agent 使用一组包含 26 种已知幻觉短语（涵盖多种语言）以及一个用于捕获重复变体的正则表达式模式来过滤掉这些内容。

网关语音回复（Telegram 和 Discord）

如果你尚未设置消息机器人，请参阅特定平台的指南：

启动网关以连接到你的消息平台：

hermes gateway        # 启动网关（连接到已配置的平台）
hermes gateway setup  # 首次配置的交互式设置向导

Discord：频道与私信

该机器人支持 Discord 上的两种交互模式：

模式	如何对话	是否需要提及	设置
私信 (DM)	打开机器人资料 → “发送消息”	否	立即可用
服务器频道	在机器人所在的文本频道中输入	是 (`@机器人名称`)	机器人必须被邀请到服务器

私信（推荐个人使用）： 只需打开与机器人的私信并输入内容——无需 @提及。语音回复和所有命令与在频道中相同。

服务器频道： 机器人仅在你 @提及它时才会响应（例如 @hermesbyt4 hello）。请确保在提及弹出窗口中选择机器人用户，而不是同名的角色。

tip

要禁用服务器频道中的提及要求，请添加到 ~/.hermes/.env：

DISCORD_REQUIRE_MENTION=false

或者将特定频道设置为自由回复（无需提及）：

DISCORD_FREE_RESPONSE_CHANNELS=123456789,987654321

命令

以下命令在 Telegram 和 Discord（私信和文本频道）中均有效：

/voice          切换语音模式开/关
/voice on       仅当你发送语音消息时进行语音回复
/voice tts      对所有消息进行语音回复
/voice off      禁用语音回复
/voice status   显示当前设置

模式

模式	命令	行为
`off`	`/voice off`	仅文本（默认）
`voice_only`	`/voice on`	仅当你发送语音消息时进行语音回复
`all`	`/voice tts`	对每条消息进行语音回复

语音模式设置会在网关重启后持久保留。

平台投递

平台	格式	备注
Telegram	语音气泡 (Opus/OGG)	在聊天中内联播放。如有需要，ffmpeg 会将 MP3 转换为 Opus
Discord	原生语音气泡 (Opus/OGG)	像用户语音消息一样内联播放。如果语音气泡 API 失败，则回退为文件附件

Discord 语音频道

最具沉浸感的语音功能：机器人加入 Discord 语音频道，监听用户说话，转录语音，通过 Agent 处理，然后在语音频道中回复语音。

设置

1. Discord 机器人权限

--- END DOCUMENT CHUNK --- 如果你已经为文字聊天设置好了一个 Discord 机器人（参见 Discord 设置指南），你需要添加语音权限。

前往 Discord 开发者门户 → 你的应用 → 安装 → 默认安装设置 → 公会安装：

在现有文字权限基础上添加以下权限：

权限	用途	是否必需
连接	加入语音频道	是
说话	在语音频道中播放 TTS 音频	是
使用语音活动	检测用户是否在说话	推荐

更新后的权限整数：

级别	整数	包含内容
仅文字	`274878286912`	查看频道、发送消息、阅读历史、嵌入、附件、线程、反应
文字 + 语音	`274881432640`	以上所有 + 连接、说话

使用更新后的权限 URL 重新邀请机器人：

https://discord.com/oauth2/authorize?client_id=YOUR_APP_ID&scope=bot+applications.commands&permissions=274881432640

将 YOUR_APP_ID 替换为开发者门户中的应用程序 ID。

warning

将机器人重新邀请到它已经加入的服务器会更新其权限，而不会将其移除。你不会丢失任何数据或配置。

2. 特权网关意图

在开发者门户 → 你的应用 → 机器人 → 特权网关意图中，启用所有三个：

意图	用途
在线状态意图	检测用户在线/离线状态
服务器成员意图	将 `DISCORD_ALLOWED_USERS` 中的用户名解析为数字 ID（有条件）
消息内容意图	读取频道中的文字消息内容

消息内容意图是必需的。服务器成员意图仅在 DISCORD_ALLOWED_USERS 列表使用用户名时才需要——如果你使用数字用户 ID，可以将其关闭。语音频道 SSRC → user_id 映射来自 Discord 语音 WebSocket 上的 SPEAKING 操作码，不需要服务器成员意图。

3. Opus 编解码器

Opus 编解码器库必须安装在运行网关的机器上：

# macOS（Homebrew）
brew install opus

# Ubuntu/Debian
sudo apt install libopus0

机器人会自动从以下位置加载编解码器：

macOS： /opt/homebrew/lib/libopus.dylib
Linux： libopus.so.0

4. 环境变量

# ~/.hermes/.env

# Discord 机器人（已为文字配置）
DISCORD_BOT_TOKEN=你的机器人令牌
DISCORD_ALLOWED_USERS=你的用户 ID

# STT — 本地提供者无需密钥（pip install faster-whisper）
# GROQ_API_KEY=你的密钥            # 替代方案：基于云，速度快，有免费层

# TTS — 可选。Edge TTS 和 NeuTTS 无需密钥。
# ELEVENLABS_API_KEY=***      # 高级质量
# VOICE_TOOLS_OPENAI_KEY=***  # OpenAI TTS / Whisper

启动网关

hermes gateway        # 使用现有配置启动

机器人应在几秒钟内上线 Discord。

命令

在机器人所在的 Discord 文本频道中使用以下命令：

/voice join      机器人加入你当前的语音频道
/voice channel   /voice join 的别名
/voice leave     机器人断开语音频道连接
/voice status    显示语音模式及已连接的频道

info

运行 /voice join 之前，你必须先加入一个语音频道。机器人会加入与你相同的语音频道。

工作原理

当机器人加入语音频道后，它会：

听取每个用户的音频流，独立处理
检测静音 — 至少 0.5 秒语音后跟随 1.5 秒静音，触发处理
转录音频（通过 Whisper STT：本地、Groq 或 OpenAI）
处理整个 Agent 管线（会话、工具、记忆）
回复通过 TTS 在语音频道中朗读

文本频道集成

当机器人在语音频道中时：

转录内容会显示在文本频道中：[Voice] @user: 你说了什么
Agent 的回复会以文本形式发送到频道，同时在语音频道中朗读
文本频道是执行 /voice join 的那个频道

回声预防

机器人在播放 TTS 回复时会自动暂停音频监听，防止听到并重新处理自己的输出。

访问控制

只有列在 DISCORD_ALLOWED_USERS 中的用户才能通过语音交互。其他用户的音频会被静默忽略。

# ~/.hermes/.env
DISCORD_ALLOWED_USERS=284102345871466496

配置参考

config.yaml

# 语音录制（CLI）
voice:
  record_key: "ctrl+b"            # 开始/停止录制的按键
  max_recording_seconds: 120       # 最大录制时长
  auto_tts: false                  # 语音模式启动时自动启用 TTS
  beep_enabled: true               # 录制开始/停止时播放提示音
  silence_threshold: 200           # RMS 电平（0-32767），低于此值视为静音
  silence_duration: 3.0            # 自动停止前的静音秒数

# 语音转文字
stt:
  enabled: true                     # 设为 false 可跳过自动转录 —
                                    # 网关仍会缓存音频文件，并将其路径作为入站消息的一部分传递给 Agent，
                                    # 适用于自定义管线（说话人分离、对齐、归档等）
  provider: "local"                  # "local"（免费）| "groq" | "openai"
  local:
    model: "base"                    # tiny, base, small, medium, large-v3
  # model: "whisper-1"              # 旧版：当 provider 未设置时使用

# 文字转语音
tts:
  provider: "edge"                 # "edge"（免费）| "elevenlabs" | "openai" | "neutts" | "minimax"
  edge:
    voice: "en-US-AriaNeural"      # 322 种语音，74 种语言
  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"  # 可选：自托管或兼容 OpenAI 的端点时覆盖
  neutts:
    ref_audio: ''
    ref_text: ''
    model: neuphonic/neutts-air-q4-gguf
    device: cpu

环境变量

# 语音转文字提供商（本地无需密钥）
# pip install faster-whisper        # 免费本地 STT — 无需 API 密钥
GROQ_API_KEY=...                    # Groq Whisper（快速，免费套餐）
VOICE_TOOLS_OPENAI_KEY=...         # OpenAI Whisper（付费）

# STT 高级覆盖设置（可选）
STT_GROQ_MODEL=whisper-large-v3-turbo    # 覆盖默认 Groq STT 模型
STT_OPENAI_MODEL=whisper-1               # 覆盖默认 OpenAI STT 模型
GROQ_BASE_URL=https://api.groq.com/openai/v1     # 自定义 Groq 端点
STT_OPENAI_BASE_URL=https://api.openai.com/v1    # 自定义 OpenAI STT 端点

# 文字转语音提供商（Edge TTS 和 NeuTTS 无需密钥）
ELEVENLABS_API_KEY=***             # ElevenLabs（顶级音质）
# 同时，上面的 VOICE_TOOLS_OPENAI_KEY 也为 OpenAI TTS 启用

# Discord 语音频道
DISCORD_BOT_TOKEN=...
DISCORD_ALLOWED_USERS=...

STT 提供商对比

提供商	模型	速度	质量	费用	API 密钥
Local	`base`	快（取决于 CPU/GPU）	好	免费	否
Local	`small`	中等	更好	免费	否
Local	`large-v3`	慢	最好	免费	否
Groq	`whisper-large-v3-turbo`	非常快（~0.5 秒）	好	免费套餐	是
Groq	`whisper-large-v3`	快（~1 秒）	更好	免费套餐	是
OpenAI	`whisper-1`	快（~1 秒）	好	付费	是
OpenAI	`gpt-4o-transcribe`	中等（~2 秒）	最好	付费	是

提供商优先级（自动回退）：local > groq > openai

TTS 提供商对比

提供商	质量	费用	延迟	是否需要密钥
Edge TTS	好	免费	~1 秒	否
ElevenLabs	优秀	付费	~2 秒	是
OpenAI TTS	好	付费	~1.5 秒	是
NeuTTS	好	免费	取决于 CPU/GPU	否

NeuTTS 使用上方的 tts.neutts 配置块。

故障排除

"未找到音频设备"（CLI）

未安装 PortAudio：

brew install portaudio    # macOS
sudo apt install portaudio19-dev  # Ubuntu

机器人在 Discord 服务器频道中没有响应

默认情况下，机器人在服务器频道中需要 @提及。请确保：

输入 @ 并选择 机器人用户（带 #鉴别符），而不是同名角色
或者改用私信——无需提及
或者将 DISCORD_REQUIRE_MENTION=false 设置在 ~/.hermes/.env 中

机器人加入了语音频道但听不到我说话

检查你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 中
确保你在 Discord 中没有被静音
机器人需要 Discord 提供 SPEAKING 事件后才能映射你的音频——请在加入后几秒内开始说话

机器人能听到我说话但没有回应

验证 STT 是否可用：安装 faster-whisper（无需密钥）或设置 GROQ_API_KEY / VOICE_TOOLS_OPENAI_KEY
检查 LLM 模型是否已配置并可访问
查看网关日志：tail -f ~/.hermes/logs/gateway.log

机器人回复了文字但未在语音频道中说话

TTS 提供者可能出错 — 检查 API key 和配额
Edge TTS（免费，无需 key）是默认的备用方案
检查日志中的 TTS 错误

Whisper 返回乱码文本

幻觉过滤器会自动处理大部分情况。如果仍然获取到错误的转录文本：

使用更安静的环境
调整配置中的 silence_threshold（数值越大越不敏感）
尝试不同的 STT 模型

前置条件​

总览​

要求​

Python 包​

系统依赖​

API 密钥​

CLI 语音模式​

快速开始​

工作原理​

静音检测​

流式 TTS​

幻觉过滤器​

网关语音回复（Telegram 和 Discord）​

Discord：频道与私信​

命令​

模式​

平台投递​

Discord 语音频道​

设置​

1. Discord 机器人权限​

2. 特权网关意图​

3. Opus 编解码器​

4. 环境变量​

启动网关​

命令​

工作原理​

文本频道集成​

回声预防​

访问控制​

配置参考​

config.yaml​

环境变量​

STT 提供商对比​

TTS 提供商对比​

故障排除​

"未找到音频设备"（CLI）​

机器人在 Discord 服务器频道中没有响应​

机器人加入了语音频道但听不到我说话​

机器人能听到我说话但没有回应​

机器人回复了文字但未在语音频道中说话​

Whisper 返回乱码文本​

前置条件

总览

要求

Python 包

系统依赖

API 密钥

CLI 语音模式

快速开始

工作原理

静音检测

流式 TTS

幻觉过滤器

网关语音回复（Telegram 和 Discord）

Discord：频道与私信

命令

模式

平台投递

Discord 语音频道

设置

1. Discord 机器人权限

2. 特权网关意图

3. Opus 编解码器

4. 环境变量

启动网关

命令

工作原理

文本频道集成

回声预防

访问控制

配置参考

config.yaml

环境变量

STT 提供商对比

TTS 提供商对比

故障排除

"未找到音频设备"（CLI）

机器人在 Discord 服务器频道中没有响应

机器人加入了语音频道但听不到我说话

机器人能听到我说话但没有回应

机器人回复了文字但未在语音频道中说话

Whisper 返回乱码文本