第18篇：语音模式——动嘴就能指挥 AI

这篇带你解锁 Hermes Agent 的“声控”玩法：装上麦克风，动动嘴就能和 AI 对话，连打字都省了。

准备工作：先让 AI“听得见”

在玩语音之前，你得先确保 Hermes 能正常跑起来（文字对话没问题）。然后按下面三步装好“耳朵”和“嘴巴”：

第1步：安装语音依赖包
打开终端，依次执行：

cd ~/.hermes/hermes-agent
uv pip install -e ".[voice]"        # 麦克风录音 + 播放声音
uv pip install -e ".[messaging]"    # 如果你还想在 Discord/Telegram 里用

第2步：装系统级“声卡驱动”

Mac 用户：brew install portaudio ffmpeg opus
Ubuntu/Debian 用户：sudo apt install portaudio19-dev ffmpeg libopus0

简单说：PortAudio 负责录音放音，ffmpeg 负责把音频格式换来换去，Opus 是 Discord 语音频道专用的“翻译官”。

第3步：配 API 密钥（可跳过）
在 ~/.hermes/.env 文件里加上：

GROQ_API_KEY=你的密钥    # 云端语音转文字（免费额度）
# 如果你装了 faster-whisper，本地就能转文字，一个密钥都不用！

核心玩法：按一下，说一句

启动对话：

hermes

然后在聊天窗口输入 /voice on 开启语音模式。接下来就是见证奇迹的时刻：

按下 Ctrl+B，听到“嘀”一声（880Hz），开始说话
屏幕上会跳出一个音量条，像卡拉OK一样跳动
说完停 3 秒，自动结束录音，再“嘀嘀”两声确认
AI 把你说的话转成文字、生成回答，然后用语音读出来
录音自动重新开始——你只管继续说，不用再按键

整个过程就像和对讲机聊天，按住说话、松开听回复。想结束？说一句“stop”，对话就干净利落地结束了。

进阶技巧：让对话更自然

边听边插嘴：AI 还在思考或朗读时，你直接开口就能打断它，你的话会变成下一条指令。就像和朋友聊天，随时可以抢话。
逐句朗读：AI 不是等全部想好才开口，而是生成一句、读一句，你听到第一句话时它还在想后半段，响应特别快。
不想听声音？ 输入 /voice tts 关掉朗读，只看文字回复。

桌面端新玩法：GPT-Live 全双工语音模式

如果你用的是桌面 App，除了上面那套“STT → 对话 → TTS”的链式流程，还有第二种语音聊天模式：GPT-Live 全双工模式。它用一个全双工语音模型（OpenAI 的 gpt-live-1）替掉整条链路——边说边听，自己处理打断、附和声和背景噪音，而且它本身没有任何工具。当你让它干正事时，它会转交给 Hermes 处理：Hermes 照常用当前会话选定的模型和供应商、完整工具集、记忆和审批来回答，语音再把答案念出来。

voice:
  voice_chat_mode: gpt-live     # chained（默认）| gpt-live
  gpt_live:
    voice: marin                # marin, cedar, quartz, ripple, vesper, willow, stone, gleam, meridian, …
    instructions: ""            # 可选，额外的人设句子（语气、语速、语言）

要求：需要一个 OpenAI API 密钥（OPENAI_API_KEY、VOICE_TOOLS_OPENAI_KEY 或 voice.gpt_live.api_key）。语音层由 OpenAI 按每分钟会话时间 $0.05 计费（空闲时间也算）；Hermes 那一轮照常按它自己的供应商计费。这个模式在设置 → 语音 → Voice Chat Mode 里也能切换。

这个模式不支持：Nous 托管的音频代理（只能用直连密钥）、CLI/TUI（/voice 仍走链式流程），以及 tts 工具（它继续用 tts.provider）。

小总结

语音模式把“打字聊天”变成了“对讲机通话”，装好依赖、按 Ctrl+B 说话，就这么简单。想玩得更花？还能在 Discord 语音频道里和 AI 实时对话，或者用“Hey Hermes”唤醒词免提启动——这些我们下回分解。

下篇预告：第19篇——唤醒词：喊一声“Hey Hermes”就能召唤 AI，连按键都省了。