Skip to main content

使用语音模式与 Hermes 互动

本指南是 语音模式功能参考 的实用配套文档。
若功能页面解释了语音模式能做什么，本指南则展示如何有效使用它。

语音模式适合哪些场景​

语音模式特别适用于：

  • 希望实现无手操作的 CLI 工作流
  • 在 Telegram 或 Discord 中获取语音回复
  • 让 Hermes 进入 Discord 语音频道进行实时对话
  • 步行时快速记录想法、调试或进行即时问答，无需打字

选择你的语音模式配置​

Hermes 实际上提供三种不同的语音体验。

模式最佳用途平台
交互式麦克风循环编码或研究时个人无手操作使用CLI
聊天中的语音回复与常规消息并行的语音回复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

推荐路径：

  1. 先确保文本模式正常工作
  2. 再启用语音回复
  3. 若需要完整体验，最后再尝试 Discord 语音频道

第一步：确保普通 Hermes 正常运行​

在启用语音模式前，请确认以下事项：

  • Hermes 已成功启动
  • 你的服务提供商已正确配置
  • 代理能正常响应文本提示
hermes

输入一个简单问题测试：

What tools do you have available?

如果这一步还不稳定，请先修复文本模式。

第二步：安装必要的附加组件​

CLI 麦克风 + 播放​

pip install "hermes-agent[voice]"

消息平台支持​

pip install "hermes-agent[messaging]"

高级 ElevenLabs TTS（付费）​

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

这些依赖的重要性说明：

  • portaudio → CLI 语音模式的麦克风输入/播放支持
  • ffmpeg → TTS 和消息传递所需的音频转换
  • opus → Discord 语音编码支持
  • espeak-ng → NeuTTS 所需的音素化后端

第四步：选择 STT 和 TTS 提供商​

Hermes 支持本地和云端语音处理方案。

最简单 / 最低成本设置​

使用本地 STT + 免费 Edge TTS：

  • STT 提供商：local
  • TTS 提供商：edge

这通常是最佳起点。

环境文件示例​

将以下内容添加至 ~/.hermes/.env：

# Cloud STT options (local needs no key)
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# Premium TTS (optional)
ELEVENLABS_API_KEY=***

推荐提供商​

语音转文字（STT）​

  • local → 隐私友好且零成本的默认选择
  • groq → 极快的云端转录
  • openai → 优质的付费备用方案

文字转语音（TTS）​

  • edge → 免费且对多数用户足够好
  • neutts → 免费本地/设备端 TTS
  • elevenlabs → 顶级音质
  • openai → 良好折衷方案
  • mistral → 多语言支持，原生 Opus 格式

如果你使用 hermes setup​

若在设置向导中选择了 NeuTTS，Hermes 会检查 neutts 是否已安装。若缺失，向导将提示你需要安装 Python 包 neutts 和系统包 espeak-ng，并提供自动安装选项。系统将通过你的平台包管理器安装 espeak-ng，然后执行：

python -m pip install -U neutts[all]

若跳过此步骤或安装失败，向导将回退至 Edge TTS。

第五步：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"

这对大多数用户来说是一个稳妥的默认设置。

如需使用本地 TTS，可将 tts 块替换为：

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

用例 1：CLI 语音模式​

启用语音模式​

启动 Hermes：

hermes

进入 CLI 后：

/voice on

录音流程​

默认快捷键：

  • Ctrl+B

操作流程：

  1. 按下 Ctrl+B
  2. 开始说话
  3. 等待静音检测自动停止录音
  4. Hermes 完成语音识别并作出回应
  5. 若启用了 TTS，将语音播报答案
  6. 循环可自动重启，实现连续使用

实用命令​

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

优秀的 CLI 工作流​

快速调试（边走边问）​

说：

I keep getting a docker permission error. Help me debug it.

然后继续无手操作：

  • “再读一遍上一条错误”
  • “用更简单的语言解释根本原因”
  • “现在告诉我确切的修复方法”

研究 / 头脑风暴​

非常适合：

  • 边走边思考
  • 口述尚未成型的想法
  • 让 Hermes 实时帮你梳理思路

可访问性 / 低打字量会话​

当打字不便时，语音模式是保留完整 Hermes 工作流的最快方式之一。

调整 CLI 行为​

静音阈值​

若 Hermes 反应过于敏感，可调整：

voice:
  silence_threshold: 250

数值越高，灵敏度越低。

静音持续时间​

若你在句子间停顿较多，可增加：

voice:
  silence_duration: 4.0

录音快捷键​

若 Ctrl+B 与你的终端或 tmux 设置冲突：

voice:
  record_key: "ctrl+space"

用例 2：Telegram 或 Discord 的语音回复​

此模式比完整语音频道更简单。

Hermes 仍作为普通聊天机器人运行，但可以用语音回复。

启动网关​

hermes gateway

开启语音回复​

在 Telegram 或 Discord 中：

/voice on

或

/voice tts

模式说明​

模式含义
off仅文本回复
voice_only仅当用户发送语音消息时才语音回复
all所有回复均语音播报

各模式适用场景​

  • /voice on：仅希望对语音消息进行语音回复
  • /voice tts：希望始终作为语音助手使用

优质消息工作流​

手机上的 Telegram 助手​

适用于：

  • 远离电脑时
  • 发送语音便条并快速获得语音回复
  • 让 Hermes 像随身的研究或运维助手一样工作

Discord 私聊 + 语音输出​

适合希望进行私密互动，避免服务器频道提及行为的场景。

用例 3：Discord 语音频道​

这是最高级的模式。

Hermes 会加入 Discord 语音频道，监听用户发言，将其转录，执行标准代理流程，并把回复以语音形式返回到频道中。

必需的 Discord 权限​

除常规文本机器人设置外，请确保机器人拥有：

  • 连接（Connect）
  • 发言（Speak）
  • 推荐开启：使用语音活动（Use Voice Activity）

同时在开发者门户中启用特权意图：

  • 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）

加入与退出​

在机器人所在的 Discord 文本频道中输入：

/voice join
/voice leave
/voice status

加入后发生什么​

  • 用户在语音频道中发言
  • Hermes 检测语音边界
  • 转录内容显示在关联的文本频道中
  • Hermes 以文字和语音方式回应
  • 文本频道即为发出 /voice join 命令的频道

Discord 语音频道使用最佳实践​

  • 保持 DISCORD_ALLOWED_USERS 尽可能简洁
  • 初期建议使用专用机器人/测试频道
  • 在尝试语音频道模式前，先验证 STT 和 TTS 在普通文本聊天语音模式下的表现

语音质量建议​

最佳音质配置​

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

最佳速度 / 便捷性配置​

  • STT：本地 base 或 Groq
  • TTS：Edge

最佳零成本配置​

  • STT：本地
  • TTS：Edge

常见故障排除​

“未找到音频设备”​

请安装 portaudio。

“机器人已加入但听不到声音”​

检查：

  • 你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 中
  • 你是否被静音
  • 特权意图是否已启用
  • 机器人是否有“连接”和“发言”权限

“能转录但不发声”​

检查：

  • TTS 提供商配置
  • ElevenLabs 或 OpenAI 的 API 密钥 / 配额
  • Edge 转换路径所需的 ffmpeg 安装

“Whisper 输出乱码”​

尝试：

  • 更安静的环境
  • 提高 silence_threshold 值
  • 更换 STT 提供商或模型
  • 使用更短、更清晰的语句

“在私聊中可用但在服务器频道中不可用”​

这通常与提及策略有关。

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

推荐的首周设置​

若想走最短路径快速取得成功：

  1. 先让文本版 Hermes 正常运行
  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. 最后再尝试 Discord 语音聊天模式

此流程可将调试范围保持在最小。

接下来阅读的内容​