Buzz: Hermes mit der KI-Sprachchat-App nutzen

Der Sprachmodus ist da – und er verändert die Art, wie du mit Hermes interagierst, grundlegend. Statt jeden Befehl zu tippen, kannst du jetzt ganz natürlich mit deinem Agenten sprechen – ob beim Programmieren, Recherchieren oder einfach beim Spazierengehen mit lauter Ideen im Kopf.

Dieser Leitfaden führt dich durch alles, was du für die Sprachfunktion brauchst – vom einfachsten Setup bis hin zu kompletten Discord-Sprachkanal-Gesprächen. Los geht’s.

Wofür der Sprachmodus gut ist

Der Sprachmodus glänzt, wenn du:

Deine Hände frei haben willst, während du im Terminal arbeitest
Gesprochene Antworten in Telegram oder Discord erhalten möchtest
Hermes in einem Discord-Sprachkanal für Live-Hin-und-her-Gespräche haben willst
Ideen schnell festhalten möchtest, während du unterwegs bist, statt zu tippen

Stell ihn dir als deinen Freisprech-Copiloten vor. Debugging, Brainstorming oder einfach schnelle Fragen – der Sprachmodus hält dich im Flow.

Drei Möglichkeiten, Sprache zu nutzen

Hermes bietet drei verschiedene Sprach-Erlebnisse:

Modus	Am besten geeignet für	Plattform
Interaktive Mikrofon-Schleife	Persönliche Freisprech-Nutzung beim Programmieren	CLI
Sprachantworten im Chat	Gesprochene Antworten neben dem Messaging	Telegram, Discord
Live-Sprachkanal-Bot	Gruppengespräche im Voice Channel	Discord-Sprachkanäle

Ein smarter Weg nach vorne: Erst Text zum Laufen bringen, dann Sprachantworten aktivieren und schließlich zu Discord-Sprachkanälen wechseln, wenn du das volle Erlebnis willst.

Schritt 1: Stelle sicher, dass Text zuerst funktioniert

Bevor du dich an Sprache wagst, überprüfe die Grundlagen:

hermes

Dann stelle eine einfache Frage:

What tools do you have available?

Wenn das noch nicht solide läuft, behebe zuerst den Textmodus. Sprache baut auf einem funktionierenden Fundament auf.

Schritt 2: Die richtigen Extras installieren

Je nach Setup installierst du, was du brauchst:

CLI-Mikrofon + Wiedergabe:

cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

Messaging-Plattformen (Telegram/Discord):

cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

Premium-ElevenLabs-TTS (optional):

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

Lokales NeuTTS (optional):

python -m pip install -U neutts[all]

Alles auf einmal:

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

Schritt 3: Systemabhängigkeiten installieren

macOS:

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian:

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

Hier ist, warum jede Abhängigkeit wichtig ist:

portaudio → Mikrofon-Eingabe und Wiedergabe
ffmpeg → Audio-Konvertierung für TTS und Messaging
opus → Discord-Sprachcodec-Unterstützung
espeak-ng → Phonemisierer für NeuTTS

Schritt 4: Deine Sprach-Anbieter wählen

Hermes unterstützt sowohl lokale als auch Cloud-Sprach-Stacks. Für den einfachsten Einstieg nutze lokales STT mit kostenlosem Edge-TTS.

Füge das zu ~/.hermes/.env hinzu:

# Cloud-STT-Optionen (lokal benötigt keinen Schlüssel)
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# Premium-TTS (optional)
ELEVENLABS_API_KEY=***

Empfehlungen für Speech-to-Text:

local → beste Standardeinstellung für Privatsphäre und null Kosten
groq → sehr schnelle Cloud-Transkription
openai → gute kostenpflichtige Alternative

Empfehlungen für Text-to-Speech:

edge → kostenlos und für die meisten Fälle gut genug
neutts → kostenloses lokales/On-Device-TTS
elevenlabs → beste Qualität
openai → guter Mittelweg
mistral → mehrsprachig, nativ Opus

Schritt 5: Empfohlene Konfiguration

Hier ist eine solide, konservative Standardeinstellung:

voice:
  record_key: "ctrl+b"
  submit_mode: "direct"  # TUI: direct | draft
  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"

In der TUI steuert submit_mode, was nach der Transkription passiert:

direct (Standard) sendet das Transkript sofort ab
draft legt es in den Editor, damit du es vor dem Senden bearbeiten kannst

Für bearbeitbare Sprach-Entwürfe setze submit_mode: "draft".

Du willst lokales TTS stattdessen? Wechsle zu:

tts:
  provider: "neutts"
  neutts:
    ref_audio: ''
    ref_text: ''
    model: neuphonic/neutts-air-q4-gguf
    device: cpu

Anwendungsfall: CLI-Sprachmodus

Starte Hermes und aktiviere Sprache:

hermes

Dann in der CLI:

/voice on

Aufnahme-Ablauf:

Drücke Ctrl+B
Sprich
Warte, bis die Stille-Erkennung automatisch stoppt
Hermes transkribiert und antwortet
Wenn TTS aktiviert ist, spricht es die Antwort
Die Schleife kann für kontinuierliche Nutzung automatisch neu starten

Nützliche Befehle:

/voice
/voice on
/voice off
/voice tts
/voice status

Tolle CLI-Workflows:

Schnelles Debugging: Sage „Ich bekomme ständig einen Docker-Permissions-Fehler. Hilf mir beim Debuggen.“ Dann weiter freihändig: „Lies den letzten Fehler nochmal vor,“ „Erkläre die Ursache in einfacheren Worten,“ „Jetzt gib mir die genaue Lösung.“

Recherche und Brainstorming: Perfekt zum Herumlaufen beim Nachdenken, zum Diktieren halbfertiger Ideen und um Hermes zu bitten, deine Gedanken in Echtzeit zu strukturieren.

Barrierefreiheit: Wenn Tippen unpraktisch ist, hält dich der Sprachmodus ohne Tastatur voll im Hermes-Loop.

CLI-Verhalten optimieren

Wenn Hermes zu aggressiv oder zu zögerlich mit der Aufnahme beginnt oder stoppt, passe diese Werte in deiner Konfiguration an:

voice:
  silence_threshold: 200   # niedriger = empfindlicher
  silence_duration: 3.0    # Sekunden Stille vor dem Stoppen

Starte mit den Standardwerten und justiere dann je nach Umgebung. Ein lauter Raum könnte einen höheren Schwellenwert brauchen; ein ruhiger vielleicht einen niedrigeren.

Der Sprachmodus ist einer der schnellsten Wege, mit Hermes produktiv zu bleiben. Starte einfach, experimentiere mit Anbietern, und bald wirst du mit deinem Agenten sprechen, als wäre es völlig selbstverständlich.