第27篇：语音模式——动嘴指挥 AI

打字打累了？想一边踱步一边跟 AI 聊天？Hermes 的语音模式就是为你准备的。这篇咱们把语音模式从零到一捋一遍，保证你看完就能“动嘴”干活。

语音模式能干啥？

简单说，三种玩法：

模式	适合谁	在哪用
麦克风循环对话	写代码、查资料时不想动手	CLI 终端
语音回复	正常聊天，AI 用嘴回你	Telegram、Discord
语音频道机器人	一群人实时语音唠嗑	Discord 语音频道

建议路线：先把文字模式跑通 → 再开语音回复 → 最后上 Discord 语音频道。

第一步：确认 Hermes 正常

先跑一下：

hermes

然后问它一句：

What tools do you have available?

能正常回答？好，咱们继续。

第二步：装依赖

按需选择，装多了不亏。注意：下面的依赖命令都基于 PM 准备好的源码检出（source checkout），改完依赖后要重新激活检出并重启 Hermes：

# CLI 麦克风 + 播放
cd ~/.hermes/hermes-agent && python -c "import pm; pm.sync_venv(['voice'], explicit=True)"

# 聊天平台（Telegram/Discord）
cd ~/.hermes/hermes-agent && python -c "import pm; pm.sync_venv(['messaging'], explicit=True)"

# 高级 ElevenLabs 语音
cd ~/.hermes/hermes-agent && python -c "import pm; pm.sync_venv(['tts-premium'], explicit=True)"

# 语音 + 聊天平台一起装
python -c "import pm; pm.sync_venv(['voice', 'messaging', 'tts-premium', 'edge-tts'], explicit=True)"

关于本地 NeuTTS（可选）：声明的 neutts 依赖要求 Python 低于 3.14，而 Hermes 运行时需要 Python 3.14，所以请求这个 extra 并不会真的装上 NeuTTS。请换一个兼容的语音服务；如果你单独管理 NeuTTS 命令服务，它需要自己独立的、受支持的 Python 环境。

另外提醒一句：all 这个 extra 并不等于“所有可选功能”，它并不包含上面这些语音和聊天平台的 extra。

第三步：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

这几个东西各司其职：portaudio 管麦克风，ffmpeg 管音频转换，opus 是 Discord 语音编码，espeak-ng 给 NeuTTS 用。

第四步：选语音服务

最省事组合：本地语音识别（STT）+ 免费 Edge 语音合成（TTS）。

在 ~/.hermes/.env 里加：

# 云端 STT（本地不需要 key）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# 高级 TTS（可选）
ELEVENLABS_API_KEY=***

STT 推荐：local（免费隐私好）> groq（快）> openai（付费兜底） TTS 推荐：edge（免费够用）> neutts（本地免费）> elevenlabs（音质天花板）

如果你用 hermes setup：它会通过 PM 请求声明的 Python extra，但没法覆盖这些 extra 自身的 Python 版本或平台限制。所以如果某个依赖在你的平台上跑不起来，直接换一个语音服务就好。

第五步：推荐配置

voice:
  record_key: "ctrl+b"
  submit_mode: "direct"  # direct=直接提交 | draft=先编辑
  max_recording_seconds: 120
  auto_tts: false
  beep_enabled: true
  silence_threshold: 200
  silence_duration: 3.0

stt:
  provider: "local"
  local:
    model: "base"

tts:
  provider: "edge"
  edge:
    voice: "en-US-AriaNeural"

想要“先看再发”？把 submit_mode 改成 draft，语音转文字后会先进输入框，你确认了再发送。

实战：CLI 语音模式

启动 Hermes 后输入：

/voice on

录音流程：

按 Ctrl+B
开口说话
停顿 3 秒自动结束录音
Hermes 转文字并回答
开了 TTS 的话，它会直接念出来

常用命令：

/voice          # 查看状态
/voice on       # 开启
/voice off      # 关闭
/voice tts      # 切换语音播报
/voice status   # 查看详情

实用场景：

调试报错时直接说：“我老遇到 docker 权限错误，帮我查查。”然后继续追问：“再说简单点”“给我具体修复命令”。

调灵敏度：如果录音老断或不停，改 silence_threshold（阈值）和 silence_duration（静音时长）就行。

语音模式最爽的地方就是：手不用碰键盘，脑子不用断思路。快去试试吧！