跳到主要内容

使用 Hermes 的语音模式

本指南是 语音模式功能参考 的实践配套文档。

如果说功能页面解释了语音模式能做什么，那么本指南则展示了如何真正用好它。

语音模式适合做什么​

语音模式在以下场景中特别有用：

  • 你想要免提的 CLI 工作流
  • 你希望在 Telegram 或 Discord 中获得语音回复
  • 你希望 Hermes 驻留在 Discord 语音频道中进行实时对话
  • 你想快速捕捉想法、调试，或者在走动时进行来回交流，而不是打字

选择你的语音模式设置​

Hermes 实际上提供了三种不同的语音体验。

模式最适合的场景平台
交互式麦克风循环编码或研究时个人免提使用CLI
聊天中的语音回复在正常消息旁附带语音回复Telegram, Discord
实时语音频道机器人在语音频道中进行群组或个人实时对话Discord 语音频道

一个不错的路径是：

  1. 先让文本模式正常工作
  2. 其次启用语音回复
  3. 最后，如果你想要完整体验，再迁移到 Discord 语音频道

第一步：确保普通 Hermes 先正常工作​

在接触语音模式之前，请确认：

  • Hermes 能启动
  • 你的提供商已配置好
  • Agent 能正常回答文本提示
hermes

问一些简单的问题：

你有哪些可用的工具？

如果这一步还不稳定，请先修复文本模式。

第二步：安装正确的额外依赖​

CLI 麦克风 + 播放​

pip install "hermes-agent[voice]"

消息平台​

pip install "hermes-agent[messaging]"

高级 ElevenLabs TTS​

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

本地 NeuTTS（可选）​

python -m pip install -U neutts[all]

全部安装​

pip install "hermes-agent[all]"

第三步：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

第四步：选择 STT 和 TTS 提供商​

Hermes 同时支持本地和云端语音栈。

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

这通常是最好的起点。

环境文件示例​

添加到 ~/.hermes/.env：

# 云端 STT 选项（本地不需要密钥）
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​

  • local → 隐私保护和零成本的最佳默认选择
  • groq → 非常快速的云端转录
  • openai → 不错的付费备选

文字转语音​

  • edge → 免费且对大多数用户来说足够好
  • neutts → 免费的本地/设备端 TTS
  • elevenlabs → 最佳质量
  • openai → 不错的折中选择
  • mistral → 多语言，原生 Opus 支持

如果你使用 hermes setup​

如果在设置向导中选择 NeuTTS，Hermes 会检查 neutts 是否已安装。如果缺失，向导会提示 NeuTTS 需要 Python 包 neutts 和系统包 espeak-ng，并提供安装选项，通过你的平台包管理器安装 espeak-ng，然后运行：

python -m pip install -U neutts[all]

如果你跳过安装或安装失败，向导会回退到 Edge TTS。

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"

这对大多数人来说是一个不错的保守默认配置。

如果你想要本地 TTS，可以将 tts 块切换为：

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

用例 1：CLI 语音模式​

开启语音模式​

启动 Hermes：

hermes

在 CLI 中：

/voice on

录音流程​

默认按键：

  • Ctrl+B

工作流程：

  1. 按下 Ctrl+B
  2. 说话
  3. 等待静音检测自动停止录音
  4. Hermes 转录并回复
  5. 如果 TTS 开启，它会朗读回答
  6. 循环可自动重启，实现连续使用

常用命令​

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

好用的 CLI 工作流​

快速调试​

说：

我老是遇到 Docker 权限错误。帮我调试一下。

然后免提继续：

  • “再读一遍最后的错误”
  • “用更简单的话解释根本原因”
  • “现在给我确切的修复方法”

研究 / 头脑风暴​

适合：

  • 边走动边思考
  • 口述不成熟的想法
  • 让 Hermes 实时整理你的思路

无障碍 / 少打字场景​

如果打字不方便，语音模式是保持完整 Hermes 循环的最快方式之一。

调整 CLI 行为​

静音阈值​

如果 Hermes 开始/停止过于激进，调整：

voice:
  silence_threshold: 250

阈值越高 = 越不敏感。

静音持续时间​

如果你在句子之间停顿较多，增加：

voice:
  silence_duration: 4.0

录音键​

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​

此模式比完整的语音频道更简单。

Hermes 仍然是一个普通的聊天机器人，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​

模式含义
off仅文本
voice_only仅当用户发送语音时回复语音
all回复每条消息都语音

何时使用哪种模式​

  • 如果你只想对语音来源的消息进行语音回复，使用 /voice on
  • 如果你想要一个始终朗读的完整语音助手，使用 /voice tts

良好的消息工作流​

手机上的 Telegram 助手​

适用场景：

  • 你不在电脑前
  • 你想发送语音消息并快速获得语音回复
  • 你希望 Hermes 像一个便携式研究或运维助手一样工作

带语音输出的 Discord 私信​

当你希望进行私密交互，避免服务器频道中的 @提及 行为时，这个模式很有用。

用例 3：Discord 语音频道​

这是最先进的模式。

Hermes 加入 Discord 语音频道，监听用户语音，将其转录，运行正常的 Agent 流水线，然后将语音回复播回到频道中。

所需的 Discord 权限​

除了常规的文本机器人设置外，请确保机器人拥有以下权限：

  • 连接（Connect）
  • 发言（Speak）
  • 最好启用“语音活动检测”（Use Voice Activity）

另外，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）

加入与离开​

在机器人所在的 Discord 文本频道中：

/voice join
/voice leave
/voice status

加入后会发生什么​

  • 用户在语音频道中说话
  • Hermes 检测语音边界
  • 转录内容会发布到关联的文本频道中
  • Hermes 以文本和音频形式回复
  • 文本频道就是执行 /voice join 的那个频道

Discord 语音频道使用最佳实践​

  • 严格限制 DISCORD_ALLOWED_USERS
  • 一开始使用专用的机器人/测试频道
  • 在尝试语音频道模式之前，先在普通文本聊天的语音模式下验证 STT 和 TTS 是否正常工作

语音质量建议​

最佳质量配置​

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

最佳速度/便利性配置​

  • STT：本地 base 或 Groq
  • TTS：Edge

最佳零成本配置​

  • STT：本地
  • TTS：Edge

常见故障模式​

“未找到音频设备”​

安装 portaudio。

“机器人加入了但听不到声音”​

检查：

  • 你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 中
  • 你是否处于静音状态
  • 特权意图是否已启用
  • 机器人是否拥有 Connect/Speak 权限

“能转录但不说话”​

检查：

  • TTS 提供商的配置
  • ElevenLabs 或 OpenAI 的 API 密钥/配额
  • 是否安装了 ffmpeg（用于 Edge 转换路径）

“Whisper 输出乱码”​

尝试：

  • 更安静的环境
  • 提高 silence_threshold
  • 更换 STT 提供商/模型
  • 更短、更清晰的语音

“私信能用，但在服务器频道中不行”​

这通常是提及策略的问题。

默认情况下，除非另行配置，否则机器人在 Discord 服务器文本频道中需要被 @提及。

建议的第一周设置​

如果你想以最短路径获得成功：

  1. 让文本版 Hermes 正常工作
  2. 安装 hermes-agent[voice]
  3. 使用 CLI 语音模式（本地 STT + Edge TTS）
  4. 然后在 Telegram 或 Discord 中启用 /voice on
  5. 之后再尝试 Discord 语音频道模式

按这个顺序推进，可以保持调试范围较小。