Talk to AI with Voice Mode | Easy Understand Hermes Agent

音声モードでAIと話す

音声モードは、初めて使ったときに魔法のように感じる機能のひとつです。毎回コマンドを入力してレスポンスを読む代わりに、ただ…話しかけるだけでいいんです。Hermesは聞き取り、考え、そして話しかけ返してくれます。このガイドでは、シンプルなマイク設定から本格的なDiscordボイスチャンネルボットまで、音声モードを動かすために必要なすべてを順を追って説明します。

音声モードが得意なこと

音声モードは、手がふさがっているときや、AIともっと自然な方法でやり取りしたいときに真価を発揮します。よくあるユースケースは次のとおりです。

ハンズフリーのCLIワークフロー — Hermesと話しながらコーディングやリサーチを続ける
TelegramやDiscordでの音声応答 — 通常のテキストメッセージに加えて音声返信を受け取る
ライブDiscordボイスチャンネル — Hermesをボイスチャンネルに参加させてリアルタイムで会話する
アイデアの素早い記録 — 歩き回りながら考えを口述する（タイピング不要）

音声モードの3つの使い方

Hermesは3つの異なる音声体験を提供します。ニーズに合ったものを選んでください。

モード	最適な用途	プラットフォーム
対話型マイクループ	コーディング中の個人用ハンズフリー利用	CLI
チャットでの音声返信	通常のメッセージングに音声応答を追加	Telegram、Discord
ライブボイスチャンネルボット	グループまたは個人でのライブ会話	Discordボイスチャンネル

おすすめの進め方は、まずシンプルに始めることです。先にテキストを動かし、次に音声返信を有効にし、最後に完全な体験を求めるならDiscordボイスチャンネルに移行しましょう。

ステップ1: まずテキストモードが動くことを確認する

音声モードに触れる前に、Hermesが起動し、プロバイダーが設定されていることを確認してください。hermes を実行して、次のような簡単な質問をしてみましょう。

What tools do you have available?

これがまだ安定していない場合は、先にテキストモードを修正してください。音声モードはその上に構築されます。

ステップ2: 必要なエクストラをインストールする

どの音声体験を希望するかに応じて、対応するエクストラをインストールしてください。

CLIマイク + 再生:

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

メッセージングプラットフォーム (Telegram/Discord):

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

プレミアムElevenLabs TTS (オプション):

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

ローカルNeuTTS (オプション):

python -m pip install -U neutts[all]

すべて:

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

ステップ3: システム依存関係をインストールする

音声モードでは、音声入力、変換、再生を処理するためにいくつかのシステムパッケージが必要です。

macOS:

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian:

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

それぞれの重要性は次のとおりです。

portaudio → CLI音声モード用のマイク入力と再生
ffmpeg → TTSおよびメッセージング配信のための音声変換
opus → Discord音声コーデックのサポート
espeak-ng → NeuTTS用の音素化バックエンド

ステップ4: 音声プロバイダーを選択する

Hermesはローカルとクラウドの両方の音声スタックをサポートしています。最も簡単で安価なセットアップは、ローカルSTTと無料のEdge TTSを使用することです。

STTプロバイダー: local
TTSプロバイダー: edge

クラウドキーを ~/.hermes/.env に追加します。

# Cloud STT options (local needs no key)
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# Premium TTS (optional)
ELEVENLABS_API_KEY=***

音声認識（STT）のおすすめ:

local → プライバシーとゼロコストに最適なデフォルト
groq → 非常に高速なクラウド文字起こし
openai → 有料だが信頼性の高いフォールバック

音声合成（TTS）のおすすめ:

edge → 無料で、ほとんどのユーザーに十分な品質
neutts → 無料のローカル/オンデバイスTTS
elevenlabs → 最高品質
openai → バランスの取れた中間的な選択肢
mistral → 多言語対応、ネイティブOpus

ステップ5: 推奨設定

ほとんどの人にとって堅実で保守的なデフォルト設定は次のとおりです。

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"

submit_mode 設定は、文字起こし後の動作を制御します。

direct（デフォルト）は、文字起こしを即座に送信します
draft は、文字起こしをコンポーザーに配置し、送信前に編集できるようにします

編集可能な音声ドラフトが必要な場合は、submit_mode: "draft" を設定してください。

CLIで音声モードを使う

Hermesを起動し、音声モードをオンにします。

hermes

次にCLI内で:

/voice on

録音フロー:

Ctrl+B を押す
話す
無音検出が自動的に録音を停止するのを待つ
Hermesが文字起こしと応答を行う
TTSがオンの場合、回答を音声で読み上げる
継続使用のためにループが自動的に再開される場合があります

便利なコマンド:

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

優れたCLIワークフロー

その場でのデバッグ: 「dockerの権限エラーがずっと出るんだけど、デバッグを手伝って」と話しかけます。その後、「最後のエラーをもう一度読んで」や「正確な修正方法を教えて」など、ハンズフリーでフォローアップを続けられます。

リサーチとブレインストーミング: 考えながら歩き回ったり、形になっていないアイデアを口述したり、Hermesにリアルタイムで思考を整理してもらうのに最適です。

アクセシビリティ: タイピングが難しい場合、音声モードはHermesのフルループを使い続けるための最速の方法のひとつです。

CLIの動作を調整する

Hermesの録音開始・停止が過剰に反応する場合は、設定の無音検出設定を調整してください。

voice:
  silence_threshold: 200
  silence_duration: 3.0

早く停止しすぎる場合はしきい値を下げ、背景ノイズで録音が続く場合は上げてください。durationは、停止をトリガーする無音の長さを制御します。