跳到主要内容

在 Hermes 中使用语音模式

本指南是语音模式功能参考的实用配套文档。

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。

语音模式适合的场景​

语音模式在以下情况下特别有用：

  • 你希望实现免提的 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
  • 你希望在走动时快速记录想法、调试或与 Hermes 来回交流，而无需打字

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。

模式最适合平台
交互式麦克风循环在编码或研究时个人免提使用CLI
聊天中的语音回复在普通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

一个较好的路径是：

  1. 先让文本功能正常工作
  2. 再启用语音回复
  3. 最后如果需要完整体验，再迁移到 Discord 语音频道

步骤 1：首先确保普通 Hermes 正常工作​

在接触语音模式之前，请验证：

  • Hermes 能够启动
  • 你的提供商已配置
  • 智能体能够正常回复文本提示
hermes

问一个简单的问题：

你有哪些可用的工具？

如果这还不够稳定，请先修复文本模式。

步骤 2：安装正确的额外组件​

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]"

步骤 3：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 和消息传递的音频转换
  • opus → Discord 语音编解码器支持
  • espeak-ng → NeuTTS 的音素化后端

步骤 4：选择 STT 和 TTS 提供商​

Hermes 同时支持本地和云端语音堆栈。

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（本地无需密钥）
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​

  • local → 隐私保护和零成本使用的最佳默认选项
  • groq → 非常快速的云端转录
  • openai → 良好的付费备用方案

文本转语音​

  • edge → 免费且对大多数用户来说足够好
  • neutts → 免费本地/设备端 TTS
  • elevenlabs → 最佳音质
  • openai → 良好的折中选择
  • mistral → 多语言，原生 Opus 支持

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，向导会提示你 NeuTTS 需要 Python 包 neutts 和系统包 espeak-ng，并为你安装它们，使用你的平台包管理器安装 espeak-ng，然后运行：

python -m pip install -U neutts[all]

如果你跳过该安装或安装失败，向导将回退到 Edge TTS。

步骤 5：推荐配置​

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良好的保守默认值。

如果你希望使用本地 TTS，请将 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​

开启它​

启动 Hermes：

hermes

在 CLI 内部：

/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 已开启，它会说出答案
  6. 循环可以自动重启以进行连续使用

实用命令​

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

良好的 CLI 工作流​

走近调试​

说：

我一直遇到 docker 权限错误。帮我调试一下。

然后继续免提操作：

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

研究/头脑风暴​

非常适合：

  • 边走动边思考
  • 口述尚未成型的想法
  • 让 Hermes 实时帮你整理思路

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 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，请调整：

voice:
  silence_threshold: 250

阈值越高 = 越不敏感。

静音持续时间​

如果你在句子之间经常停顿，请增加：

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​

这种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，但可以语音回复。

启动网关​

hermes gateway

开启语音回复​

在 Telegram 或 Discord 内部：

/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说话
all每次回复都说话

何时使用哪种模式​

  • 如果你只想对语音发起的消息进行语音回复，请使用 /voice on
  • 如果你希望始终有一个完整的语音助手，请使用 /voice tts

良好的消息工作流​

手机上的 Telegram 助手​

在以下情况下使用：

  • 你不在电脑旁
  • 你想发送语音笔记并获得快速语音回复
  • 你希望 Hermes 像一个便携式研究或运维助手一样工作

带有语音输出的 Discord 私信​

当你希望进行私密互动而不想触发服务器频道提及行为时很有用。

用例 3：Discord 语音频道​

这是最先进的模式。

Hermes 加入一个 Discord 语音频道，监听用户语音，将其转录，运行正常的智能体流程，并将语音回复回传到频道中。

所需的 Discord 权限​

除了普通的文本机器人设置外，请确保机器人拥有：

  • 连接
  • 说话
  • 最好启用“使用语音活动”

还要在开发者门户中启用特权意图：

  • 存在意图
  • 服务器成员意图
  • 消息内容意图

加入和离开​

在机器人所在的 Discord 文本频道中：

/voice join
/voice leave
/voice status

加入时会发生什么​

  • 用户在语音频道中说话
  • Hermes 检测语音边界
  • 转录文本发布到关联的文本频道
  • Hermes 以文本和音频形式回复
  • 文本频道是发出 /voice join 命令的那个频道

Discord 语音频道使用的最佳实践​

  • 保持 DISCORD_ALLOWED_USERS 列表严格
  • 首先使用专用的机器人/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中验证 STT 和 TTS 是否正常工作

语音质量推荐​

最佳音质设置​

  • 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​

“找不到音频设备”​

安装 portaudio。

“机器人加入但听不到任何声音”​

检查：

  • 你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 中
  • 你是否未静音
  • 是否已启用特权意图
  • 机器人是否有连接/说话权限

“它能转录但不说话”​

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、更清晰的发音

“它在私信中有效，但在服务器频道中无效”​

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 @提及。

建议的第一周设置​

如果你希望走最短的路径获得成功：

  1. 让文本 Hermes 正常工作
  2. 安装 hermes-agent[voice]
  3. 使用 CLI 语音模式，搭配本地 STT + Edge TTS
  4. 然后在 Telegram 或 Discord 中启用 /voice on
  5. 只有在那之后，才尝试 Discord 语音频道模式

这种渐进方式可以保持调试范围较小。

接下来阅读哪里​