Habla con la IA usando el Modo de Voz

El modo de voz es una de esas funciones que parecen magia la primera vez que las pruebas. En lugar de escribir cada comando y leer cada respuesta, simplemente puedes… hablar. Hermes escucha, piensa y te responde hablando. Esta guía te explica todo lo que necesitas para poner en marcha el modo de voz, desde una configuración básica con micrófono hasta un bot completo para canales de voz de Discord.

Para qué sirve el modo de voz

El modo de voz brilla cuando tienes las manos ocupadas o simplemente quieres una forma más natural de interactuar con la IA. Estos son los casos de uso más comunes:

Flujo de trabajo CLI sin usar las manos — sigue programando o investigando mientras hablas con Hermes
Respuestas habladas en Telegram o Discord — recibe respuestas de voz junto a los mensajes de texto normales
Canal de voz en vivo en Discord — haz que Hermes se una a un canal de voz para conversar en tiempo real
Captura rápida de ideas — dicta tus pensamientos mientras caminas en lugar de escribirlos

Tres formas de usar el modo de voz

Hermes ofrece tres experiencias de voz distintas. Elige la que mejor se adapte a tus necesidades:

Modo	Ideal para	Plataforma
Bucle interactivo con micrófono	Uso personal sin manos mientras programas	CLI
Respuestas de voz en el chat	Respuestas habladas con mensajería normal	Telegram, Discord
Bot de canal de voz en vivo	Conversación en vivo grupal o personal	Canales de voz de Discord

Un buen camino es empezar de forma sencilla: primero haz que funcione el texto, luego activa las respuestas de voz y, finalmente, pasa a los canales de voz de Discord si quieres la experiencia completa.

Paso 1: Asegúrate de que el modo texto funciona primero

Antes de tocar el modo de voz, verifica que Hermes arranca y que tu proveedor está configurado. Ejecuta hermes y haz una pregunta sencilla como:

¿Qué herramientas tienes disponibles?

Si eso no funciona todavía, arregla primero el modo texto. El modo de voz se construye sobre él.

Paso 2: Instala los extras adecuados

Dependiendo de la experiencia de voz que quieras, instala los extras correspondientes:

Micrófono + reproducción en CLI:

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

Plataformas de mensajería (Telegram/Discord):

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

TTS premium de ElevenLabs (opcional):

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

NeuTTS local (opcional):

python -m pip install -U neutts[all]

Todo:

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

Paso 3: Instala las dependencias del sistema

El modo de voz necesita algunos paquetes del sistema para gestionar la entrada de audio, la conversión y la reproducción.

macOS:

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian:

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

He aquí por qué importa cada uno:

portaudio → entrada de micrófono y reproducción para el modo de voz en CLI
ffmpeg → conversión de audio para TTS y entrega de mensajes
opus → soporte del códec de voz de Discord
espeak-ng → backend de fonetización para NeuTTS

Paso 4: Elige tus proveedores de voz

Hermes admite tanto stacks de voz locales como en la nube. La configuración más fácil y económica usa STT local y Edge TTS gratuito:

Proveedor de STT: local
Proveedor de TTS: edge

Añade cualquier clave de la nube a ~/.hermes/.env:

# Opciones de STT en la nube (local no necesita clave)
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# TTS premium (opcional)
ELEVENLABS_API_KEY=***

Recomendaciones de voz a texto (STT):

local → mejor opción por defecto por privacidad y coste cero
groq → transcripción en la nube muy rápida
openai → buena alternativa de pago

Recomendaciones de texto a voz (TTS):

edge → gratuito y suficientemente bueno para la mayoría de usuarios
neutts → TTS local/gratuito en el dispositivo
elevenlabs → la mejor calidad
openai → buen punto intermedio
mistral → multilingüe, Opus nativo

Paso 5: Configuración recomendada

Esta es una configuración conservadora y sólida para la mayoría de la gente:

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"

El ajuste submit_mode controla lo que ocurre después de la transcripción:

direct (por defecto) envía la transcripción inmediatamente
draft coloca la transcripción en el editor para que puedas modificarla antes de enviarla

Para borradores de voz editables, configura submit_mode: "draft".

Usar el modo de voz en la CLI

Inicia Hermes y activa el modo de voz:

hermes

Luego, dentro de la CLI:

/voice on

Flujo de grabación:

Pulsa Ctrl+B
Habla
Espera a que la detección de silencio detenga la grabación automáticamente
Hermes transcribe y responde
Si el TTS está activado, responde hablando
El bucle puede reiniciarse automáticamente para uso continuo

Comandos útiles:

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

Grandes flujos de trabajo en CLI

Depuración sobre la marcha: Di “Sigo recibiendo un error de permisos de docker. Ayúdame a depurarlo.” Luego continúa sin usar las manos con preguntas de seguimiento como “Lee el último error otra vez” o “Ahora dame la solución exacta.”

Investigación y lluvia de ideas: Perfecto para caminar mientras piensas, dictar ideas a medio formar y pedirle a Hermes que estructure tus pensamientos en tiempo real.

Accesibilidad: Si escribir es incómodo, el modo de voz es una de las formas más rápidas de mantenerse en el bucle completo de Hermes.

Ajustar el comportamiento de la CLI

Si Hermes empieza o detiene la grabación de forma demasiado agresiva, ajusta la configuración de silencio en tu archivo de configuración:

voice:
  silence_threshold: 200
  silence_duration: 3.0

Baja el umbral si se detiene demasiado pronto, o súbelo si el ruido de fondo mantiene la grabación activa. La duración controla cuánto tiempo de pausa provoca la detención.

El modo de voz cambia las reglas del juego una vez que lo tienes configurado. Empieza con el bucle básico de la CLI y luego amplía a plataformas de mensajería y canales de voz de Discord a medida que te sientas cómodo. ¡A hablar!