实战：用语音模式和 AI 对话 | Easy Understand Hermes Agent

这篇教程教你如何让 Hermes Agent 不只是“打字聊天”，而是变成能听会说的语音助手——在电脑前、手机上，甚至 Discord 语音频道里跟它说话。

第 1 步：先确保文字对话正常

语音功能是“锦上添花”，基础没打好，语音也跑不起来。先启动 Hermes：

hermes

然后随便问一句：“你有什么工具？”如果它能正常回答，再继续下一步。

第 2 步：安装语音相关“零件”

Hermes 的语音功能像乐高积木，需要什么装什么。打开终端，依次执行：

# 麦克风 + 播放声音（CLI 语音模式必需）
cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

# 让 Telegram / Discord 支持语音回复
cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

# 想用 ElevenLabs 高级音色（可选）
cd ~/.hermes/hermes-agent && uv pip install -e ".[tts-premium]"

偷懒方案：直接装全部功能：

cd ~/.hermes/hermes-agent && uv pip install -e ".[all]"

第 3 步：安装系统依赖（相当于装“声卡驱动”）

macOS：

brew install portaudio ffmpeg opus espeak-ng

Ubuntu / Debian：

sudo apt install portaudio19-dev ffmpeg libopus0 espeak-ng

别被名字吓到，你只需要知道：

portaudio → 让电脑能“听”你说话
ffmpeg → 负责音频格式转换
opus → Discord 语音频道专用
espeak-ng → 本地语音合成器的“翻译官”

第 4 步：选择“耳朵”和“嘴巴”

Hermes 支持本地和云端两套方案。新手推荐：本地识别（免费）+ Edge 语音（免费），效果够用且不花一分钱。

在 ~/.hermes/.env 文件里添加（可选）：

GROQ_API_KEY=***        # 云端快速识别（可选）
ELEVENLABS_API_KEY=***  # 高级音色（可选）

简单理解：

语音识别（STT）：local（免费隐私好）、groq（快）、openai（付费稳）
语音合成（TTS）：edge（免费够用）、elevenlabs（音质天花板）、neutts（本地免费）

第 5 步：推荐配置（直接抄）

编辑 Hermes 的配置文件，加入：

voice:
  record_key: "ctrl+b"        # 按住说话快捷键
  max_recording_seconds: 120
  auto_tts: false
  beep_enabled: true          # 开始录音时“滴”一声
  silence_threshold: 200      # 安静多久算说完
  silence_duration: 3.0

stt:
  provider: "local"           # 本地识别，免费
  local:
    model: "base"

tts:
  provider: "edge"            # 免费语音合成
  edge:
    voice: "en-US-AriaNeural"

实战场景 1：在电脑前“动口不动手”

启动 Hermes 后，输入：

/voice on

然后按住 Ctrl+B 说话，说完停顿 3 秒，它自动识别并回答。适合：

边写代码边问问题：“这个报错什么意思？”
边踱步边头脑风暴：“帮我把刚才的想法整理成大纲”
手不方便打字时，全程语音操控

实战场景 2：Telegram / Discord 里发语音消息

启动网关：

hermes gateway

然后在聊天窗口输入 /voice on，之后你发语音，它就回语音。适合手机不在电脑前时，当随身助理用。

实战场景 3：Discord 语音频道实时对话（进阶）

这是最酷的模式：Hermes 直接“进频道”跟你说话。在文本频道输入：

/voice join   # 进频道
/voice leave  # 离开

需要给机器人开启“连接”“说话”权限，并在开发者后台打开三个“特权意图”。建议先在普通文字聊天里试通语音，再进频道。

常见问题速查

问题	检查项
没声音设备	装 `portaudio`
能识别但不出声	检查 TTS 配置、API Key、`ffmpeg`
识别乱码	环境安静点、调高 `silence_threshold`
频道里听不到	确认 `DISCORD_ALLOWED_USERS` 包含你的 ID

总结

语音模式的核心思路是：先文字，后语音，再频道。从免费方案起步，按需升级。最推荐的组合是：本地 STT + Edge TTS，零成本体验完整语音交互。

下篇预告：实战：用 Hermes 自动处理日常文件任务——让 AI 帮你整理下载文件夹、批量重命名、生成日报。