实战：用语音模式和 AI 对话

實戰：用語音模式和 AI 對話

上一篇文章我們聊了聊語音模式能幹啥，今天直接上手上強度——教你怎么把 Hermes 變成能聽會說的 AI 助手。全程不用打字，動嘴就行。

先搞清楚你要哪種語音玩法

Hermes 其實有三種語音體驗，別搞混了：

模式	適合誰	在哪用
麥克風互動循環	寫程式/查資料時想解放雙手	CLI 終端機
聊天裡語音回覆	想聽 AI 用嘴回答你	Telegram / Discord
語音頻道機器人	想跟 AI 即時語音對話	Discord 語音頻道

新手建議按這個順序來：先搞定文字對話 → 再開語音回覆 → 最後上 Discord 語音頻道。別跳步，不然出問題你都不知道是哪兒壞了。

第一步：確保文字對話正常

先跑一下 hermes，問它一句：

What tools do you have available?

能正常回答再往下走。文字都不穩，語音肯定更拉胯。

第二步：裝依賴

在 ~/.hermes/hermes-agent 目錄下執行：

# 只要 CLI 麥克風 + 播放
uv pip install -e ".[voice]"

# 要 Telegram/Discord 語音回覆
uv pip install -e ".[messaging]"

# 想要 ElevenLabs 高級音色
uv pip install -e ".[tts-premium]"

# 全都要
uv pip install -e ".[all]"

系統層面還得裝點東西。macOS：

brew install portaudio ffmpeg opus espeak-ng

Ubuntu/Debian：

sudo apt install portaudio19-dev ffmpeg libopus0 espeak-ng

這幾個傢伙各司其職：portaudio 管麥克風，ffmpeg 管音訊轉換，opus 是 Discord 語音編解碼器，espeak-ng 給本地 TTS 用的。

第三步：選語音服務商

新手最省事的組合：本地語音辨識 + 免費 Edge TTS。不用註冊任何帳號，零成本起步。

在 ~/.hermes/.env 裡按需填：

# 雲 STT（本地的不需要 key）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# 進階 TTS（可選）
ELEVENLABS_API_KEY=***

語音辨識選哪個？

• local：預設首選，隱私好還免費
• groq：雲轉寫，速度快
• openai：付費兜底

語音合成選哪個？

• edge：免費夠用，多數人首選
• neutts：本地跑，完全離線
• elevenlabs：音質天花板
• openai：中規中矩
• mistral：多語言，原生 Opus

第四步：推薦設定

voice:
  record_key: "ctrl+b"
  submit_mode: "direct"  # direct=直接提交 | draft=先編輯再提交
  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"

注意 submit_mode 這個參數：direct 是錄完直接提交，draft 會先把文字放到輸入框裡讓你改。想改就設成 draft。

實戰：CLI 語音模式

啟動 Hermes 後輸入：

/voice on

然後按 Ctrl+B 開始說話，說完停一下，它會自動偵測靜音並結束錄音。接著 Hermes 轉寫、回答，如果開了 TTS 還會直接唸出來。

常用指令：

/voice          # 查看狀態
/voice on       # 開啟
/voice off      # 關閉
/voice tts      # 切換 TTS
/voice status   # 查看詳情

好用的場景：邊溜達邊讓 Hermes 幫你理思路、除錯報錯時不用騰出手打字、打字不方便時保持完整對話流。

小貼士

如果覺得錄音開始/結束太靈敏或太遲鈍，調 silence_threshold 和 silence_duration 這兩個參數就行。數值越大，越不容易觸發。

語音模式最爽的地方就是：想到啥說啥，Hermes 幫你整理成結構化的內容。快去試試吧！