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。

功能页面介绍语音模式能做什么，本指南则说明如何真正用好它。

语音模式适合哪些场景

语音模式在以下情况特别有用：

需要免手持的 CLI 工作流

希望在 Telegram 或 Discord 中获得语音回复

希望 Hermes 加入 Discord 语音频道进行实时对话

边走动边快速记录想法、调试问题或来回交流，而不是打字

选择你的语音模式方案

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手持使用	CLI
聊天中的语音回复	在正常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

推荐路径：

先让文本模式正常工作

再启用语音回复

最后如需完整体验，再切换到 Discord 语音频道

第一步：确保普通 Hermes 先正常运行

在接触语音模式之前，请确认：

Hermes 能正常启动

已配置好 provider（提供商）

Agent 能正常回答文本 prompt（提示词）

问一个简单的问题：

What tools do you have available?

如果文本模式还不稳定，请先修复它。

第二步：安装所需的额外依赖

CLI 麦克风 + 播放

消息平台

高级 ElevenLabs TTS

本地 NeuTTS（可选）

全部安装

第三步：安装系统依赖

macOS

Ubuntu / Debian

各依赖的作用：

portaudio → CLI 语音模式的麦克风输入与播放

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 phonemizer 后端

第四步：选择 STT 和 TTS 提供商

Hermes 同时支持本地和云端语音处理方案。

最简单 / 最低成本的方案

使用本地 STT 和免费的 Edge TTS：

STT provider：local

TTS provider：edge

这通常是最好的起点。

环境变量文件示例

添加到 ~/.hermes/.env：

Provider 推荐

语音转文字（STT）

local → 隐私保护和零成本使用的最佳默认选项

groq → 极快的云端转录

openai → 良好的付费备选

文字转语音（TTS）

edge → 免费，对大多数用户已足够

neutts → 免费的本地/设备端 TTS

elevenlabs → 最佳质量

openai → 良好的中间选项

mistral → 多语言，原生 Opus

如果使用 `hermes setup`

如果你在设置向导中选择了 NeuTTS，Hermes 会检查 neutts 是否已安装。如果缺失，向导会告知你 NeuTTS 需要 Python 包 neutts 和系统包 espeak-ng，并提供自动安装，使用平台包管理器安装 espeak-ng，然后运行：

如果跳过安装或安装失败，向导会回退到 Edge TTS。

第五步：推荐配置

这是适合大多数人的保守默认配置。

如果想改用本地 TTS，将 tts 块替换为：

使用场景一：CLI 语音模式

开启方式

启动 Hermes：

在 CLI 内执行：

/voice on

录音流程

默认按键：

Ctrl+B

工作流程：

按下 Ctrl+B

说话

等待静音检测自动停止录音

Hermes 转录并回复

如果开启了 TTS，它会朗读答案

循环可自动重启以持续使用

常用命令

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

调整 CLI 行为

静音阈值

如果 Hermes 开始/停止过于激进，调整：

阈值越高 = 灵敏度越低。

静音时长

如果你在句子之间经常停顿，增大该值：

录音按键

如果 Ctrl+B 与你的终端或 tmux 习惯冲突：

使用场景二：Telegram 或 Discord 中的语音回复

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，但可以朗读回复。

启动 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
`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：仅对语音来源的消息给出语音回复

/voice tts：始终作为完整语音助手运行

使用场景三：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，转录后运行正常的 agent 流水线，并将回复朗读回频道。

所需的 Discord 权限

除了普通文本机器人设置外，请确保机器人拥有：

Connect（连接）

Speak（发言）

最好还有 Use Voice Activity（使用语音活动）

同时在开发者门户中启用特权 intent（意图）：

Presence Intent

Server Members Intent

Message Content Intent

加入与离开

在机器人所在的 Discord 文本频道中：

/voice join
/voice leave
/voice status

加入后的行为

用户在语音频道中说话

Hermes 检测语音边界

转录内容发布到关联的文本频道

Hermes 以文字和音频形式回复

文本频道为执行 /voice join 的那个频道

Discord 语音频道使用最佳实践

严格限制 DISCORD_ALLOWED_USERS

先使用专用的机器人/测试频道

在尝试语音频道模式之前，先确认 STT 和 TTS 在普通文本聊天语音模式下正常工作

语音质量建议

最佳质量方案

STT：本地 large-v3 或 Groq whisper-large-v3

TTS：ElevenLabs

最佳速度 / 便利性方案

STT：本地 base 或 Groq

TTS：Edge

最佳零成本方案

STT：本地

TTS：Edge

常见故障模式

"No audio device found"

安装 portaudio。

"机器人加入但听不到声音"

检查：

你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 中

你是否处于静音状态

特权 intent 是否已启用

机器人是否拥有 Connect/Speak 权限

"能转录但不说话"

检查：

TTS provider 配置

ElevenLabs 或 OpenAI 的 API 密钥 / 配额

Edge 转换路径的 ffmpeg 安装情况

"Whisper 输出乱码"

尝试：

更安静的环境

提高 silence_threshold

更换 STT provider/模型

更短、更清晰的表达

"在私信中正常但在服务器频道中不工作"

这通常是 mention（提及）策略问题。

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

建议的第一周方案

如果你想走最短的成功路径：

让文本 Hermes 正常工作

安装 hermes-agent[voice]

使用本地 STT + Edge TTS 的 CLI 语音模式

然后在 Telegram 或 Discord 中启用 /voice on

只有在此之后，再尝试 Discord 语音频道模式

这种递进方式可以将调试范围控制到最小。

下一步阅读

"在 Hermes 中使用语音模式"

在 Hermes 中使用语音模式#

语音模式适合哪些场景#

选择你的语音模式方案#

第一步：确保普通 Hermes 先正常运行#

第二步：安装所需的额外依赖#

CLI 麦克风 + 播放#

消息平台#

高级 ElevenLabs TTS#

本地 NeuTTS（可选）#

全部安装#

第三步：安装系统依赖#

macOS#

Ubuntu / Debian#

第四步：选择 STT 和 TTS 提供商#

最简单 / 最低成本的方案#

环境变量文件示例#

Provider 推荐#

语音转文字（STT）#

文字转语音（TTS）#

如果使用 hermes setup#

第五步：推荐配置#

使用场景一：CLI 语音模式#

开启方式#

录音流程#

常用命令#

推荐的 CLI 工作流#

随走随调试#

研究 / 头脑风暴#

无障碍 / 少打字场景#

调整 CLI 行为#

静音阈值#

静音时长#

录音按键#

使用场景二：Telegram 或 Discord 中的语音回复#

启动 gateway#

开启语音回复#

模式说明#

何时使用哪种模式#

推荐的消息平台工作流#

手机上的 Telegram 助手#

Discord 私信中的语音输出#

使用场景三：Discord 语音频道#

所需的 Discord 权限#

加入与离开#

加入后的行为#

Discord 语音频道使用最佳实践#

语音质量建议#

最佳质量方案#

最佳速度 / 便利性方案#

最佳零成本方案#

常见故障模式#

"No audio device found"#

"机器人加入但听不到声音"#

"能转录但不说话"#

"Whisper 输出乱码"#

"在私信中正常但在服务器频道中不工作"#

建议的第一周方案#

下一步阅读#