语音模式

Hermes Agent 支持在 CLI 和消息平台上的完整语音交互。使用麦克风与 Agent 对话，收听语音回复，并在 Discord 语音频道中进行实时语音对话。

如果你想要一个包含推荐配置和实际使用模式的实用设置指南，请参阅与 Hermes 一起使用语音模式。

前提条件

在使用语音功能之前，请确保你已具备以下条件：

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据
基础设置可正常工作 — 在启用语音之前，运行 hermes 验证 Agent 能响应文本

提示

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

概览

功能	平台	描述
交互式语音	CLI	按 Ctrl+B 开始录音，Agent 自动检测静音并回复
自动语音回复	Telegram、Discord	Agent 在发送文本回复的同时发送语音音频
语音频道	Discord	机器人加入语音频道，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	用于
`voice`	`sounddevice`、`numpy`	CLI 语音模式
`messaging`	`discord.py[voice]`、`python-telegram-bot`、`aiohttp`	Discord 和 Telegram 机器人
`tts-premium`	`elevenlabs`	ElevenLabs TTS 提供商

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

信息

discord.py[voice] 会自动安装 PyNaCl（用于语音加密）和 opus 绑定。这是 Discord 语音频道支持所必需的。

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	用途	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

添加至 ~/.hermes/.env：

# 语音转文字 — 本地提供商完全不需要密钥
# 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 也启用了 OpenAI TTS

提示

如果安装了 faster-whisper，语音模式在 STT 方面无需任何 API 密钥即可工作。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 额外将崩溃取证日志转发到 ~/.hermes/logs/，因此当在特殊音频后端上出现按键通话失败时，可以附带完整的堆栈跟踪进行报告，而不会无声无息地消失。

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 中使用以下命令：

/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，并通过 /voice on 启用语音模式
按下 Ctrl+B — 会播放一声提示音（880Hz），开始录音
说话 — 实时音频电平条会显示你的输入：● [▁▂▃▅▇▇▅▂] ❯
停止说话 — 静音 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），或者连续 3 次录音未检测到语音。

提示

录音键可通过 ~/.hermes/config.yaml 中的 voice.record_key 配置（默认值：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下降
结束检测 — 一旦确认语音，在连续静音 3.0 秒后触发

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。你也可以通过 voice.beep_enabled: false 禁用录音开始/结束提示音。

流式 TTS

当 TTS 启用时，Agent 会在生成文本的同时逐句朗读回复——你无需等待完整响应：

将文本增量缓冲成完整的句子（最少 20 个字符）
去除 Markdown 格式和 思考 块
实时生成并播放每句的音频

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 会使用一组包含 26 条已知幻觉短语（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）

如果你还没有设置消息机器人，请参考对应平台的指南：

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 vs 私信

该机器人在 Discord 上支持两种交互模式：

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	立即生效
服务器频道	在机器人所在的文字频道中打字	是（`@机器人名`）	机器人必须被邀请到服务器

私信（推荐个人使用）： 直接打开与机器人的私信并输入文字即可——无需 @提及。语音回复和所有命令与频道中的行为相同。

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

提示

要禁用服务器频道中的提及要求，请在 ~/.hermes/.env 中添加：

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（私信和文字频道）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，才以语音回复
/voice tts      对所有消息都以语音回复
/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，才以语音回复
`all`	`/voice tts`	对每条消息都以语音回复

语音模式设置在网关重启后仍然保留。

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，聆听用户说话，转录语音，通过 Agent 处理，然后在语音频道中说出回复。

设置

1. Discord 机器人权限

如果你已经为文本功能设置了一个 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 → Installation → Default Install Settings → Guild Install：

在现有文本权限基础上添加以下权限：

权限	用途	必需
Connect	加入语音频道	是
Speak	在语音频道中播放 TTS 音频	是
Use Voice Activity	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
仅文本	`274878286912`	查看频道、发送消息、阅读历史、嵌入、附件、线程、反应
文本 + 语音	`274881432640`	以上所有 + Connect、Speak

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。

注意

将机器人重新邀请到它已在的服务器会更新其权限，而不会移除它。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 → Bot → Privileged Gateway Intents 中，启用所有三个：

意图	用途
Presence Intent	检测用户在线/离线状态
Server Members Intent	将语音 SSRC 标识符映射到 Discord 用户 ID
Message Content Intent	读取频道中的文本消息内容

全部三个对于完整的语音频道功能都是必需的。Server Members Intent 尤其关键——没有它，机器人无法识别语音频道中谁在说话。

3. Opus 编解码器

必须在运行网关的机器上安装 Opus 编解码器库：

# 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（已为文本配置）
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，快速，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    显示语音模式和已连接的频道

信息

你必须在运行 /voice join 之前先加入一个语音频道。机器人会加入你所在的同一个语音频道。

工作原理

当机器人加入语音频道后，它会：

监听每个用户的音频流（独立处理）
检测静音 — 在至少 0.5 秒的语音后，若出现 1.5 秒静音则触发处理
转写音频（通过 Whisper STT：本地、Groq 或 OpenAI）
处理完整的 Agent 流水线（会话、工具、记忆）
回复通过 TTS 在语音频道中朗读回复

文本频道集成

当机器人在语音频道中时：

转写内容会出现在文本频道中：[Voice] @user: 你说的话
Agent 的回复会同时以文本形式发送到频道，并在语音频道中朗读
文本频道就是执行 /voice join 命令的那个频道

回声防止

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

访问控制

只有 DISCORD_ALLOWED_USERS 中列出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               # 播放录制开始/停止提示音
  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）
stt:
  provider: "local"                  # "local"（免费）| "groq" | "openai"
  local:
    model: "base"                    # tiny, base, small, medium, large-v3
  # model: "whisper-1"              # 旧版：当未设置 provider 时使用

# 文字转语音（TTS）
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：覆盖为自托管或兼容 OpenAI 的端点
  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，免费额度）
VOICE_TOOLS_OPENAI_KEY=...         # OpenAI Whisper（付费）

# STT 高级覆盖（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（优质音质）
# 上面的 VOICE_TOOLS_OPENAI_KEY 也启用了 OpenAI TTS

# 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	成本	API 密钥
Local	`base`	快（取决于 CPU/GPU）	良好	免费	否
Local	`small`	中等	更好	免费	否
Local	`large-v3`	慢	最佳	免费	否
Groq	`whisper-large-v3-turbo`	非常快（约 0.5 秒）	良好	免费层	是
Groq	`whisper-large-v3`	快（约 1 秒）	更好	免费层	是
OpenAI	`whisper-1`	快（约 1 秒）	良好	付费	是
OpenAI	`gpt-4o-transcribe`	中等（约 2 秒）	最佳	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	成本	延迟	需要密钥
Edge TTS	良好	免费	约 1 秒	否
ElevenLabs	优秀	付费	约 2 秒	是
OpenAI TTS	良好	付费	约 1.5 秒	是
NeuTTS	良好	免费	取决于 CPU/GPU	否

NeuTTS 使用上面 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（带有 #discriminator），而不是同名的角色
或者改用私信——无需提及
或者将 DISCORD_REQUIRE_MENTION=false 设置到 ~/.hermes/.env 中

机器人加入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
机器人需要从 Discord 收到一个 SPEAKING 事件才能映射你的音频——加入后几秒内开始说话

机器人能听到我说话但没有回应

确认 STT 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

机器人以文本回复但不在语音频道中说话

TTS 提供商可能失败——检查 API 密钥和配额
Edge TTS（免费，无需密钥）是默认回退
检查日志中的 TTS 错误

Whisper 返回乱码文本

幻觉过滤器会自动捕获大多数情况。如果你仍然得到虚假转录：

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

前提条件​

概览​

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 vs 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​

回声防止​

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​

机器人以文本回复但不在语音频道中说话​

Whisper 返回乱码文本​

前提条件

概览

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 vs 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

回声防止

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

机器人以文本回复但不在语音频道中说话

Whisper 返回乱码文本