Tutorial 27: Voice Mode | Easy Understand Hermes Agent

チュートリアル 27: ボイスモード

おかえりなさい、皆さん！今日はHermesを使う上で最もクールな方法のひとつ、ボイスモードについてお話しします。歩きながら、夕食を作りながら、あるいは単にキーボードを避けたいときにAIアシスタントとチャットしたいと思ったことがあるなら、このチュートリアルはまさにうってつけです。

ボイスモードとは？

ボイスモードを使うと、タイピングの代わりにHermesと話すことができます。以下のような場面に最適です：

ハンズフリーのCLIワークフロー – キーボードに触れずにコードを書いたり調べ物をしたり
TelegramやDiscordでの音声応答 – 通常のメッセージに加えて音声での返信も受け取れます
Discordのライブボイスチャンネル – ボイスチャットでHermesと実際に会話ができます
アイデアの素早い記録 – 歩きながらやブレインストーミング中に考えを口述できます

何より素晴らしいのは、Nous Portalを使えば、LLMとテキスト読み上げの両方を1回のOAuthログインで利用できることです。追加の認証情報は不要です！

ボイスを使う3つの方法

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	個人でのハンズフリー使用	CLI
チャットでの音声応答	メッセージングでの音声応答	Telegram、Discord
ライブボイスチャンネルボット	グループでの会話	Discordボイスチャンネル

プロのコツ： まずはテキストモードが動作することを確認し、次に音声応答を追加し、最後にDiscordボイスチャンネルを試すのがおすすめです。フル体験をしたいならね。

ステップ 1: まずテキストを動作させる

ボイスに飛び込む前に、基本が動作することを確認しましょう：

hermes

次に、簡単な質問をしてみます：

What tools do you have available?

これが問題なく動作すれば、ボイスの準備は完了です！

ステップ 2: 追加パッケージをインストールする

必要なものに応じて、適切なパッケージをインストールします：

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

# 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

macOS:

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu/Debian:

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

これらの重要性は以下の通りです：

portaudio → CLIボイス用のマイク入力
ffmpeg → 音声変換
opus → Discordボイスコーデック
espeak-ng → NeuTTS用の音素化ツール

ステップ 4: プロバイダーを選択する

最も簡単な設定： ローカルのSTTと無料のEdge TTSを使用します。~/.hermes/.envに以下を追加します：

# クラウドSTTオプション（ローカルはキー不要）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# プレミアムTTS（オプション）
ELEVENLABS_API_KEY=***

STTオプション：

local – プライバシーに最適、コストゼロ
groq – 超高速なクラウド文字起こし
openai – 有料ですが信頼性の高いフォールバック

TTSオプション：

edge – 無料でほとんどの用途に十分
neutts – 無料のローカル/オンデバイス
elevenlabs – 最高品質
openai – バランスの良い選択肢
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なデフォルト設定は以下の通りです：

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についての注意：

direct（デフォルト） – 文字起こしをすぐに送信します
draft – 送信前に編集できるよう、文字起こしをコンポーザーに入れます

編集可能な下書きが必要な場合は、submit_mode: "draft"に設定してください。

CLIでのボイス使用

Hermesを起動してボイスをオンにします：

hermes

次に、以下のように入力します：

/voice on

録音の流れ：

Ctrl+Bを押す
話す
無音検出が自動的に停止するのを待つ
Hermesが文字起こしして応答する
TTSがオンの場合、答えを音声で読み上げる
継続使用のためにループが再開する

便利なコマンド：

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

優れたボイスワークフロー

その場でのデバッグ： 「dockerの権限エラーが繰り返し出るんだ。デバッグを手伝って」 と話しかけます。その後もハンズフリーで続けます：「最後のエラーをもう一度読んで」、「根本原因をもっと簡単な言葉で説明して」、「今度は正確な修正方法を教えて」。

リサーチ/ブレインストーミング： 歩き回りながら、まとまっていないアイデアを口述し、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でも、ボイスモードならHermesの全機能を利用し続けられます。

動作の調整

Hermesの開始/停止が敏感すぎる、または鈍すぎる場合は、設定ファイルの無音検出設定を調整します：

voice:
  silence_threshold: 200
  silence_duration: 3.0

より敏感な検出にするにはしきい値を下げ、逆に途中で切れてしまう場合は上げてみてください。

以上です！ボイスモードは、一度動かしてみると魔法のように感じられる機能のひとつです。シンプルに始めて、徐々に慣れていけば、すぐに皿洗いをしながらHermesと会話を楽しめるようになるでしょう。それでは、楽しい会話を！🎤