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：

# CLI 麦克风 + 播放
cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

# 聊天平台（Telegram/Discord）
cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

# 高级 ElevenLabs 语音
cd ~/.hermes/hermes-agent && uv pip install -e ".[tts-premium]"

# 本地 NeuTTS（可选）
python -m pip install -U neutts[all]

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

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）

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！