00:00:00
语音模式
Hermes Agent 支持跨 CLI 和消息平台的完整语音交互。使用麦克风与智能体对话，听到语音回复，并在 Discord 语音频道中进行实时语音对话。
如果您想要带有推荐配置和实际使用模式的实用设置演练，请参阅 在 Hermes 中使用语音模式。
先决条件
在使用语音功能之前，请确保您有：
- 已安装 Hermes Agent ——
pip install hermes-agent（请参阅 安装） - 已配置 LLM 提供商 —— 运行
hermes model或在~/.hermes/.env中设置您首选的提供商凭据 - 工作的基础设置 —— 运行
hermes以验证智能体在启用语音之前响应文本
提示
第一次运行 hermes 时会自动创建 ~/.hermes/ 目录和默认 config.yaml。您只需要手动创建 ~/.hermes/.env 以获取 API 密钥。
概述
| 功能 | 平台 | 描述 |
|---|---|---|
| 交互式语音 | CLI | 按 Ctrl+B 录音，智能体自动检测静音并响应 |
| 自动语音回复 | Telegram, Discord | 智能体随文本响应一起发送语音音频 |
| 语音频道 | Discord | 机器人加入 VC，监听用户说话，回语音回复 |
要求
Python 包
bash
# CLI 语音模式（麦克风 + 音频播放）
pip install "hermes-agent[voice]"
# Discord + Telegram 消息（包括用于 VC 支持的 discord.py[voice]）
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 | 需要用于 |
|---|---|---|
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 |
可选本地 TTS 提供商：使用 python -m pip install -U neutts[all] 单独安装 neutts。首次使用时自动下载模型。
信息
discord.py[voice] 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
bash
# 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 | 目的 | 需要用于 |
|---|---|---|
| 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 | 音素器后端 | 本地 NeuTTS 提供商 |
API 密钥
添加到 ~/.hermes/.env：
bash
# 语音转文本 —— 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，免费层级（云端）
VOICE_TOOLS_OPENAI_KEY=your-key # OpenAI Whisper —— 付费（云端）
# 文本转语音（可选 —— Edge TTS 和 NeuTTS 无需任何密钥即可工作）
ELEVENLABS_API_KEY=*** # ElevenLabs —— 高级质量
# 上面的 VOICE_TOOLS_OPENAI_KEY 也启用 OpenAI TTS提示
如果安装了 faster-whisper，语音模式对 STT 使用零 API 密钥。模型（base 约 150 MB）在首次使用时自动下载。
CLI 语音模式
快速开始
启动 CLI 并启用语音模式：
bash
hermes # 启动交互式 CLI然后在 CLI 中使用这些命令：
/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 并使用/voice on启用语音模式 - 按 Ctrl+B —— 播放蜂鸣声（880Hz），录音开始
- 说话 —— 实时音频电平条显示您的输入：
● [▁▂▃▅▇▇▅▂] ❯ - 停止说话 —— 3 秒静音后，录音自动停止
- 播放两声蜂鸣（660Hz）确认录音结束
- 音频通过 Whisper 转录并发送给智能体
- 如果启用 TTS，智能体的回复会大声朗读
- 录音自动重启 —— 无需按任何键再次说话
此循环继续，直到您在录音期间按 Ctrl+B（退出连续模式）或 3 次连续录音检测到没有语音。
提示
录音键可通过 ~/.hermes/config.yaml 中的 voice.record_key 配置（默认：ctrl+b）。
静音检测
两阶段算法检测您何时说完：
- 语音确认 —— 等待音频高于 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 3.0 秒连续静音后触发
如果 15 秒内根本没有检测到语音，录音自动停止。