Berbicara dengan AI Menggunakan Mode Suara

Mode suara adalah salah satu fitur yang terasa seperti sihir saat pertama kali kamu mencobanya. Daripada mengetik setiap perintah dan membaca setiap respons, kamu bisa langsung… berbicara. Hermes mendengarkan, berpikir, dan menjawab kembali. Panduan ini akan membawamu melewati semua yang kamu butuhkan untuk menjalankan mode suara, mulai dari pengaturan mikrofon sederhana hingga bot saluran suara Discord yang lengkap.

Kegunaan mode suara

Mode suara sangat berguna saat tanganmu sibuk atau kamu hanya ingin cara yang lebih alami untuk berinteraksi dengan AI. Berikut adalah kasus penggunaan yang paling umum:

Alur kerja CLI tanpa tangan — tetap menulis kode atau riset sambil berbicara dengan Hermes
Respons suara di Telegram atau Discord — dapatkan balasan suara di samping pesan teks biasa
Saluran suara Discord langsung — ajak Hermes bergabung ke saluran suara untuk percakapan real-time
Menangkap ide dengan cepat — diktekan pikiran sambil berjalan-jalan daripada mengetik

Tiga cara menggunakan mode suara

Hermes menawarkan tiga pengalaman suara yang berbeda. Pilih yang sesuai dengan kebutuhanmu:

Mode	Paling cocok untuk	Platform
Loop mikrofon interaktif	Penggunaan pribadi tanpa tangan saat coding	CLI
Balasan suara di chat	Respons lisan dengan pesan biasa	Telegram, Discord
Bot saluran suara langsung	Percakapan langsung kelompok atau pribadi	Saluran suara Discord

Jalur yang baik adalah mulai dari yang sederhana: pastikan teks berfungsi dulu, lalu aktifkan balasan suara, dan terakhir beralih ke saluran suara Discord jika kamu ingin pengalaman penuh.

Langkah 1: Pastikan mode teks berfungsi dulu

Sebelum menyentuh mode suara, pastikan Hermes bisa dijalankan dan provider-mu sudah dikonfigurasi. Jalankan hermes dan tanyakan sesuatu yang sederhana seperti:

What tools do you have available?

Jika itu belum stabil, perbaiki mode teks dulu. Mode suara dibangun di atasnya.

Langkah 2: Instal ekstra yang tepat

Tergantung pada pengalaman suara yang kamu inginkan, instal ekstra yang sesuai:

CLI mikrofon + pemutaran:

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

Platform pesan (Telegram/Discord):

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

ElevenLabs TTS Premium (opsional):

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

NeuTTS lokal (opsional):

python -m pip install -U neutts[all]

Semuanya:

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

Langkah 3: Instal dependensi sistem

Mode suara membutuhkan beberapa paket sistem untuk menangani input audio, konversi, dan pemutaran.

macOS:

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian:

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

Inilah alasan mengapa masing-masing penting:

portaudio → input mikrofon dan pemutaran untuk mode suara CLI
ffmpeg → konversi audio untuk TTS dan pengiriman pesan
opus → dukungan codec suara Discord
espeak-ng → backend phonemizer untuk NeuTTS

Langkah 4: Pilih provider ucapanmu

Hermes mendukung stack ucapan lokal dan cloud. Pengaturan termudah dan termurah menggunakan STT lokal dan Edge TTS gratis:

Provider STT: local
Provider TTS: edge

Tambahkan kunci cloud apa pun ke ~/.hermes/.env:

# Opsi STT cloud (lokal tidak memerlukan kunci)
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# TTS Premium (opsional)
ELEVENLABS_API_KEY=***

Rekomendasi speech-to-text:

local → default terbaik untuk privasi dan biaya nol
groq → transkripsi cloud yang sangat cepat
openai → fallback berbayar yang bagus

Rekomendasi text-to-speech:

edge → gratis dan cukup bagus untuk kebanyakan pengguna
neutts → TTS lokal/di perangkat gratis
elevenlabs → kualitas terbaik
openai → jalan tengah yang bagus
mistral → multibahasa, Opus native

Langkah 5: Konfigurasi yang direkomendasikan

Ini adalah default konservatif yang solid untuk kebanyakan orang:

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"

Pengaturan submit_mode mengontrol apa yang terjadi setelah transkripsi:

direct (default) mengirimkan transkrip segera
draft menempatkan transkrip di komposer sehingga kamu bisa mengedit sebelum mengirim

Untuk draf suara yang bisa diedit, atur submit_mode: "draft".

Menggunakan mode suara di CLI

Jalankan Hermes dan aktifkan mode suara:

hermes

Lalu di dalam CLI:

/voice on

Alur perekaman:

Tekan Ctrl+B
Bicaralah
Tunggu deteksi keheningan untuk menghentikan perekaman secara otomatis
Hermes mentranskripsikan dan merespons
Jika TTS aktif, ia akan membacakan jawabannya
Loop dapat dimulai ulang secara otomatis untuk penggunaan berkelanjutan

Perintah yang berguna:

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

Alur kerja CLI yang hebat

Debugging sambil jalan: Katakan “Saya terus mendapatkan error izin docker. Bantu saya debug.” Lalu lanjutkan tanpa tangan dengan pertanyaan lanjutan seperti “Baca error terakhir lagi” atau “Sekarang beri saya perbaikan yang tepat.”

Riset dan brainstorming: Sempurna untuk berjalan-jalan sambil berpikir, mendiktekan ide yang setengah matang, dan meminta Hermes untuk menyusun pikiranmu secara real-time.

Aksesibilitas: Jika mengetik terasa merepotkan, mode suara adalah salah satu cara tercepat untuk tetap berada dalam loop Hermes yang penuh.

Menyesuaikan perilaku CLI

Jika Hermes mulai atau berhenti merekam terlalu agresif, sesuaikan pengaturan keheningan di konfigurasimu:

voice:
  silence_threshold: 200
  silence_duration: 3.0

Turunkan threshold jika berhenti terlalu cepat, atau naikkan jika kebisingan latar membuatnya terus merekam. Durasi mengontrol berapa lama jeda yang memicu penghentian.

Mode suara adalah pengubah permainan setelah kamu berhasil mengaturnya. Mulailah dengan loop CLI dasar, lalu perluas ke platform pesan dan saluran suara Discord seiring kamu semakin nyaman. Selamat berbicara!