跳到主要内容

使用赫尔墨斯的语音模式

本指南是语音模式功能参考的实践配套文档。

若功能页面解释了语音模式能做什么，本指南则展示如何实际有效地使用它。

语音模式适用场景​

语音模式特别适用于以下情况：

  • 希望实现无手操作的 CLI 工作流
  • 希望在 Telegram 或 Discord 中获得语音回复
  • 希望赫尔墨斯进入 Discord 语音频道进行实时对话
  • 希望在行走时快速捕捉想法、调试或进行来回交流，而非打字

选择你的语音模式配置​

赫尔墨斯实际上提供了三种不同的语音体验。

模式适用场景平台
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正常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

推荐路径是：

  1. 首先确保文本模式正常工作
  2. 然后启用语音回复
  3. 如果需要完整体验，最后再切换到 Discord 语音频道

第一步：确保普通赫尔墨斯正常工作​

在启用语音模式前，请确认以下事项：

  • 赫尔墨斯能够启动
  • 你的服务提供商已正确配置
  • 代理可以正常响应文本提示
hermes

提出一个简单问题：

What tools do you have available?

如果以上尚未稳定，请先修复文本模式。

第二步：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

这些依赖项的重要性如下：

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

第四步：选择 STT 和 TTS 提供商​

赫尔墨斯支持本地和云端语音处理方案。

最简单 / 最经济的配置​

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=***

提供商推荐​

语音识别（STT）​

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

语音合成（TTS）​

  • edge → 免费且对大多数用户已足够
  • neutts → 免费的本地/设备端 TTS
  • elevenlabs → 最佳音质
  • openai → 质量居中

如果你使用 hermes setup​

如果你在设置向导中选择了 NeuTTS，赫尔墨斯会检查 neutts 是否已安装。如果缺失，向导会提示你需要安装 Python 包 neutts 和系统包 espeak-ng，并提供自动安装选项。它将使用你平台的包管理器安装 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，向导将回退到 Edge TTS。

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"

这是大多数用户的保守默认配置。

如果你希望使用本地 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​

启用语音模式​

启动赫尔墨斯：

hermes

进入 CLI 界面：

/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. 赫尔墨斯完成语音转文字并作出回应
  5. 若 TTS 已启用，它将朗读答案
  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​

举步调试​

说出：

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

然后继续无手操作：

  • “再读一遍上一个错误”
  • “用更简单的语言解释根本原因”
  • “现在给我具体的修复方案”

研究 / 头脑风暴​

非常适合：

  • 边走边思考
  • 口述尚未成型的想法
  • 让赫尔墨斯实时帮你整理思路

可访问性 / 低打字量会话​

当打字不便时，语音模式是保持完整赫尔墨斯工作流的最快方式之一。

调整 CLI 行为​

静音阈值​

如果赫尔墨斯启动/停止过于敏感，可调整：

voice:
  silence_threshold: 250

阈值越高，灵敏度越低。

静音持续时间​

如果你在句子之间停顿较多，可增加：

voice:
  silence_duration: 4.0

录音快捷键​

如果 Ctrl+B 与你的终端或 tmux 设置冲突：

voice:
  record_key: "ctrl+space"

用例 2：Telegram 或 Discord 中的语音回复​

此模式比完整语音频道更简单。

赫尔墨斯保持为普通聊天机器人，但可发出语音回复。

启动网关​

hermes gateway

开启语音回复​

在 Telegram 或 Discord 中：

/voice on

或

/voice tts

模式​

模式含义
off仅文本
voice_only仅当用户发送语音时才进行语音回复
all每次回复都进行语音播报

何时使用哪种模式​

  • /voice on：若你希望仅对语音消息进行语音回复
  • /voice tts：若你希望始终拥有全程语音交互的助手

优秀的消息交互工作流​

手机上的 Telegram 助手​

适用场景：

  • 你远离电脑设备
  • 希望发送语音消息并快速获得语音回复
  • 希望 Hermes 表现得像一个便携式研究或运维助手

Discord 私聊中的语音输出​

适用于希望进行私密交互，避免在服务器频道中被提及的情况。

使用场景 3：Discord 语音频道​

这是最高级的模式。

Hermes 加入 Discord 语音频道，监听用户语音，进行语音识别（STT），执行标准代理处理流程，并将回复以语音形式返回至频道。

所需的 Discord 权限​

除了常规的文本机器人设置外，请确保机器人拥有以下权限：

  • 连接（Connect）
  • 发言（Speak）
  • 建议启用：使用语音活动（Use Voice Activity）

同时在开发者门户中启用高权限意图（privileged intents）：

  • 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）

加入与离开​

在机器人所在的 Discord 文本频道中执行以下操作：

/voice join
/voice leave
/voice status

加入后发生的情况​

  • 用户在语音频道中说话
  • Hermes 检测语音边界
  • 语音转文字结果发布到关联的文本频道
  • Hermes 以文本和音频形式进行回复
  • 文本频道即为执行 /voice join 命令的频道

Discord 语音频道使用的最佳实践​

  • 严格控制 DISCORD_ALLOWED_USERS 列表
  • 初次使用时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正常工作

语音质量建议​

最佳质量配置​

  • 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

常见故障模式​

“未找到音频设备”​

安装 portaudio。

“机器人已加入但听不到任何声音”​

请检查：

  • 你的 Discord 用户 ID 是否在 DISCORD_ALLOWED_USERS 列表中
  • 你是否被静音
  • 高权限意图是否已启用
  • 机器人是否拥有“连接”和“发言”权限

“能转录但无法语音播报”​

请检查：

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

“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
  • 发送更短、更清晰的语音片段

“在私聊中正常工作，但在服务器频道中不行”​

这通常是提及策略（mention policy）导致的。

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

建议的第一周设置​

若希望最快获得成功体验：

  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. 仅在上述步骤成功后，再尝试 Discord 语音频道模式

此流程可保持调试范围最小化。