跳到主要内容

使用 Hermes 语音模式

本指南是语音模式功能参考的实践配套。

功能页面解释了语音模式能做什么，本指南展示如何真正用好它。

语音模式适合什么​

语音模式特别适合以下场景：

  • 你想要免提的 CLI 工作流
  • 你想要在 Telegram 或 Discord 中收到语音回复
  • 你想让 Hermes 坐在 Discord 语音频道中进行实时对话
  • 你想边走边快速捕捉想法、调试或来回讨论，而不是打字

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免提使用CLI
聊天中的语音回复在正常消息旁边附带语音回复Telegram、Discord
实时语音频道 Bot在语音频道中的群组或个人实时对话Discord 语音频道

一个好的路径是：

  1. 先让文本模式正常工作
  2. 然后启用语音回复
  3. 如果你想要完整体验，最后转到 Discord 语音频道

第 1 步：先确保普通 Hermes 正常工作​

在接触语音模式之前，验证：

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

问一些简单的问题：

你有哪些可用工具？

如果这个还不稳定，先解决文本模式。

第 2 步：安装正确的附加组件​

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 3 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

为什么需要这些：

  • 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 语音编解码支持
  • espeak-ng → NeuTTS 的音素化后端

第 4 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​

语音转文本（STT）​

  • local → 隐私和零成本使用的最佳默认
  • groq → 非常快的云端转录
  • openai → 好的付费备选

文本转语音（TTS）​

  • edge → 免费且对大多数用户足够好
  • neutts → 免费的本地/设备端 TTS
  • elevenlabs → 最佳质量
  • openai → 好的中间选择
  • mistral → 多语言，原生 Opus

如果你使用 hermes setup​

如果你在设置向导中选择 NeuTTS，Hermes 会检查 neutts 是否已安装。如果缺失，向导会告诉你 NeuTTS 需要 Python 包 neutts 和系统包 espeak-ng，提供安装选项，用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。

第 5 步：推荐配置​

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

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

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

这对大多数人是一个好的保守默认。

如果你想要本地 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​

启动 Hermes：

hermes

在 CLI 中：

/voice on

录音流程​

默认按键：

  • Ctrl+B

工作流：

  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. 循环可以自动重启以持续使用

实用命令​

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

好的 CLI 工作流​

走近式调试​

说：

我一直收到 docker 权限错误。帮我调试。

然后继续免提：

  • "再读一遍最后的错误"
  • "用更简单的话解释根本原因"
  • "现在给我精确的修复方案"

研究/头脑风暴​

非常适合：

  • 边走边思考
  • 口述半成形的想法
  • 让 Hermes 实时组织你的思路

无障碍/低打字会话​

如果打字不方便，语音模式是保持完整 Hermes 工作流的最快方式之一。

调整 CLI 行为​

静音阈值​

如果 Hermes 太积极开始/停止录音，调整：

voice:
  silence_threshold: 250

更高的阈值 = 更不敏感。

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 保持为普通聊天 Bot，但可以朗读回复。

启动 Gateway​

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才朗读
all朗读每条回复

何时使用哪种模式​

  • /voice on 如果你只想要针对语音消息的语音回复
  • /voice tts 如果你想要一个全时段语音助手

好的消息工作流​

手机上的 Telegram 助手​

使用场景：

  • 你不在电脑旁
  • 你想发送语音笔记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​

当你想要私密交互，不受服务器频道 @提及行为影响时有用。

用例 3：Discord 语音频道​

这是最高级的模式。

Hermes 加入 Discord 语音频道（VC），监听用户语音，转录，运行正常的 Agent 管道，然后在频道中朗读回复。

所需 Discord 权限​

除了正常的文本 Bot 设置外，确保 Bot 拥有：

  • 连接
  • 说话
  • 最好有使用语音活动

同时在开发者门户中启用特权意图：

  • Presence Intent
  • Server Members Intent
  • Message Content Intent

加入和离开​

在 Bot 所在的 Discord 文本频道中：

/voice join
/voice leave
/voice status

加入后发生什么​

  • 用户在 VC 中说话
  • Hermes 检测语音边界
  • 转录文本发布到关联的文本频道
  • Hermes 以文本和音频回复
  • 文本频道是发出 /voice join 的那个

Discord VC 使用的最佳实践​

  • 保持 DISCORD_ALLOWED_USERS 严格
  • 开始时使用专门的 Bot/测试频道
  • 在尝试 VC 模式之前，先验证 STT 和 TTS 在普通文本聊天语音模式中正常工作

语音质量推荐​

最佳质量设置​

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

最佳速度/便利性设置​

  • 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。

"Bot 加入但听不到任何声音"​

检查：

  • 你的 Discord 用户 ID 在 DISCORD_ALLOWED_USERS 中
  • 你没有静音
  • 特权意图已启用
  • Bot 有连接/说话权限

"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 转换路径需要的 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、更清晰的语句

"在私信中能工作但在服务器频道中不行"​

这通常是提及策略问题。

默认情况下，Bot 在 Discord 服务器文本频道中需要 @mention，除非另行配置。

建议的首周设置​

如果你想要最短的成功路径：

  1. 让文本 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，才尝试 Discord VC 模式

这个渐进过程保持了较小的调试范围。

接下来阅读什么​

📝 本文由 AI 翻译，如有疑问请参考英文原版