第22篇：语音合成——AI 开口说话 | Easy Understand Hermes Agent

这篇教程将带你了解 Hermes Agent 的语音合成功能，教你怎么让 AI 在聊天里“开口说话”。

为什么需要语音？

想象一下，你在做饭时收到一条长消息，盯着屏幕读很麻烦。如果 AI 能直接把回复“说”出来，你一边炒菜一边听，是不是方便多了？Hermes Agent 内置了 11 种语音引擎，从免费到付费，任你挑选。

第1步：选一个“嗓子”

打开配置文件 ~/.hermes/config.yaml，找到 tts 部分。默认用的是 Edge TTS，完全免费、无需注册，效果也不错，适合新手体验。

想换更高级的声音？把 provider 改一下就行：

tts:
  provider: "elevenlabs"   # 换成 ElevenLabs，音质“天花板”

小提示：如果你有 Nous Portal 付费订阅，可以免费用 OpenAI TTS，不用单独申请 API Key。

第2步：配置你的“嗓子”

每种引擎都有自己的设置项。比如用 Edge TTS，可以选声音和语速：

tts:
  provider: "edge"
  edge:
    voice: "zh-CN-XiaoxiaoNeural"   # 中文女声，温柔好听
    speed: 1.0                      # 1.0 是正常语速，调大更快

用 Gemini TTS 的话，还能写“人设提示词”，让 AI 用特定语气说话。比如创建一个 butler-voice.md 文件，里面写“你是一位英国老管家，说话沉稳、礼貌”，然后：

tts:
  provider: "gemini"
  gemini:
    voice: "Kore"
    persona_prompt_file: "~/.hermes/tts/butler-voice.md"

AI 就会用管家的腔调回复你，很有趣。

第3步：测试一下

在 CLI 里直接发消息，AI 回复后，音频会保存到 ~/.hermes/audio_cache/ 文件夹。在 Telegram 或 Discord 里，AI 会直接发语音气泡，点一下就能听。

第4步：处理长文本

如果 AI 回复特别长，超过引擎的单次限制（比如 Edge 是 5000 字符），Hermes 会自动把文本切成几段，按顺序合成，不会丢内容。你不需要做任何事，它自己会搞定。

第5步：高级玩法（可选）

加音效标签：Gemini 3.1 和 xAI 支持在文本里加 [whispers]、[laughs] 这样的标签，AI 会真的用气声说话或笑出来。开启方式：

tts:
  gemini:
    audio_tags: true

调语速：全局语速在 tts.speed 设置，每个引擎可以单独覆盖。比如 OpenAI 想快一点，就写 tts.openai.speed: 1.5。
流式播放的采样率：如果你用的是 OpenAI 兼容的第三方 TTS 服务，流式播放时收到的是没有头信息的裸 PCM，Hermes 得知道它的采样率才不会变调。官方 OpenAI 是 24kHz；如果服务端会在响应头里报采样率（X-Audio-Sample-Rate，或 Content-Type 里的 rate=），Hermes 会自动采用。什么都不报的服务端，就手动设一下 tts.openai.pcm_sample_rate（比如 Piper 后端填 22050），否则声音会变快变尖。
克隆音的授权声明：有些自建的 OpenAI 兼容服务端，用克隆音时会要求请求里带一个 consent_attestation 字段，否则直接返回 400 consent_required。把服务端要求的声明文本填到 tts.openai.consent_attestation 就行，Hermes 会原样转发。用官方 OpenAI API 的话不用管这一项。
本地引擎预热与卸载：Piper、KittenTTS 这类本地引擎是“懒加载”的——第一次说话时才去加载模型（全新安装还要先下载语音），所以开启语音后的第一句回复会先沉默一阵。Hermes 会把语音开关当作“马上要用 TTS”的信号：桌面端打开 Read replies aloud 或开始一次语音对话，CLI / TUI 里执行 /voice tts（以及设置了 voice.auto_tts 时的 /voice on），都会在后台提前加载好引擎；把开关关掉则会卸载常驻模型（Piper 语音几十 MB，KittenTTS 最多约 80MB），不再白占内存。每个开关持有一份“租约”，只有所有界面的租约都释放后模型才会卸载，所以在一个桌面窗口关掉朗读，不会影响另一个窗口正在进行的对话。云端引擎没有模型可加载，开关只是确保按需安装的 SDK（edge-tts、ElevenLabs、Mistral）已经就位。预热是尽力而为的：加载失败也不影响开关本身，第一句回复会像以前一样按需加载。
本地模型下载走镜像：Piper、KittenTTS 这类本地引擎第一次用会从 Hugging Face 拉模型，之后优先用本地缓存，不再联网检查版本。如果你的网络访问不了 Hugging Face，可以在启动 Hermes 的 shell 或服务里导出镜像地址：

HF_ENDPOINT=https://your-hugging-face-mirror.example
HF_HUB_DISABLE_XET=1

HF_HUB_DISABLE_XET=1 是为了让下载走镜像的普通 HTTP 通道，而不是去连不认 HF_ENDPOINT 的 Xet 主机。

总结

让 AI 开口说话，只需三步：选引擎 → 配声音 → 发消息。免费方案足够日常使用，付费方案音质更惊艳。语音功能让 AI 从“屏幕里的文字”变成了“耳边的小伙伴”，互动感直接拉满。

下篇预告：AI 会说话了，那它能“听懂”我们说话吗？下一篇我们聊聊语音转文字——让 AI 听懂你的语音消息。