嘿，你终于可以开口跟 Hermes 说话了！

朋友们，v2026.8.3 这次更新，最大的亮点就是实时语音对话。以前咱们跟 Hermes 聊天全靠打字，现在你可以直接开口说，它还能开口回答你。是不是有点科幻片那味儿了？

别急，这篇文章就是手把手教你把这个功能跑起来。放心，一点都不难，跟着走就行。

先搞清楚：语音模式到底能干啥？

简单说，有三种玩法：

命令行（CLI）语音循环：适合你一边写代码一边跟它聊天，解放双手。
聊天软件里的语音回复：在 Telegram 或 Discord 里，它不光回你文字，还能回你一段语音。
Discord 语音频道机器人：让 Hermes 直接“住”进你的语音频道，大家伙儿可以跟它实时对话。

给新手的建议路线：先把文字聊天调通，再开语音回复，最后再折腾 Discord 语音频道。一步一步来，稳得很。

第一步：确保基础版 Hermes 能跑

别一上来就搞语音，先确认你的 Hermes 能正常启动、能回答文字问题。

hermes

然后随便问一句：

What tools do you have available?

如果这一步都卡壳，先回去把基础配置弄好再说。

第二步：安装语音功能需要的“零件”

打开终端，敲下面这几行命令（根据你的需求选一个）：

# 只要命令行麦克风+播放功能
cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

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

# 想要 ElevenLabs 顶级音质（付费）
cd ~/.hermes/hermes-agent && uv pip install -e ".[tts-premium]"

# 或者干脆全装上，省心
cd ~/.hermes/hermes-agent && uv pip install -e ".[all]"

第三步：装系统依赖（Mac 和 Linux 不一样）

Mac 用户：

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian 用户：

sudo apt install portaudio19-dev ffmpeg libopus0
sudo apt install espeak-ng

这些是干嘛的？简单说：portaudio 管麦克风，ffmpeg 管音频转换，opus 是 Discord 语音的“翻译官”，espeak-ng 是本地语音合成的小助手。

第四步：选语音识别（STT）和语音合成（TTS）的“引擎”

最省钱省事的组合：本地识别 + 免费 Edge 语音。

在 ~/.hermes/.env 文件里加上这些（如果要用云服务的话）：

# 云识别（本地识别不用填 key）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# 高级语音合成（可选）
ELEVENLABS_API_KEY=***

怎么选？

语音识别：local（免费、保护隐私）> groq（快）> openai（付费兜底）
语音合成：edge（免费够用）> neutts（本地免费）> elevenlabs（音质天花板）> openai（中规中矩）

第五步：推荐配置（直接抄作业）

打开配置文件，把这段粘进去：

voice:
  record_key: "ctrl+b"   # 录音快捷键
  submit_mode: "direct"  # direct=说完直接提交，draft=先给你看草稿
  max_recording_seconds: 120
  auto_tts: false
  beep_enabled: true

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

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

小提示：如果你想把语音转文字的结果先确认一下再发送，把 submit_mode 改成 draft 就行。

实战：命令行里怎么用？

启动 Hermes 后，输入：

/voice on

然后按住 Ctrl+B 开始说话，说完停一下，它自动识别并回复。就这么简单！

几个常用命令：

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

一个超好用的场景：你在调试代码时遇到报错，直接说“我老遇到 docker 权限错误，帮我看看”，然后一边忙别的，一边听它给你讲解决方案，这体验，绝了。

最后唠叨两句

语音模式是个新玩具，刚开始可能会有点不习惯。建议先从本地识别 + Edge 语音开始，成本最低、最容易上手。等玩明白了，再考虑升级到 ElevenLabs 或者 Discord 语音频道。

行了，快去试试吧！有问题随时回来翻文档。