第27篇：语音模式——动嘴指挥 AI

第27篇：語音模式——動嘴指揮 AI

打字打累了？想一邊踱步一邊跟 AI 聊天？Hermes 的語音模式就是為你準備的。這篇咱們把語音模式從零到一捋一遍，保證你看完就能「動嘴」幹活。

語音模式能幹啥？

簡單說，三種玩法：

模式	適合誰	在哪用
麥克風循環對話	寫程式、查資料時不想動手	CLI 終端
語音回覆	正常聊天，AI 用嘴回你	Telegram、Discord
語音頻道機器人	一群人即時語音嘮嗑	Discord 語音頻道

建議路線：先把文字模式跑通 → 再開語音回覆 → 最後上 Discord 語音頻道。

第一步：確認 Hermes 正常

先跑一下：

hermes

然後問它一句：

What tools do you have available?

能正常回答？好，咱們繼續。

第二步：裝依賴

按需選擇，裝多了不虧：

# CLI 麥克風 + 播放
cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

# 聊天平台（Telegram/Discord）
cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

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

# 本地 NeuTTS（可選）
python -m pip install -U neutts[all]

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

第三步：系統依賴

macOS：

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian：

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

這幾個東西各司其職：portaudio 管麥克風，ffmpeg 管音訊轉換，opus 是 Discord 語音編碼，espeak-ng 給 NeuTTS 用。

第四步：選語音服務

最省事組合：本地語音辨識（STT）+ 免費 Edge 語音合成（TTS）。

在 ~/.hermes/.env 裡加：

# 雲端 STT（本地不需要 key）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# 進階 TTS（可選）
ELEVENLABS_API_KEY=***

STT 推薦：local（免費隱私好）> groq（快）> openai（付費兜底） TTS 推薦：edge（免費夠用）> neutts（本地免費）> elevenlabs（音質天花板）

第五步：推薦設定

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

想要「先看再發」？把 submit_mode 改成 draft，語音轉文字後會先進輸入框，你確認了再發送。

實戰：CLI 語音模式

啟動 Hermes 後輸入：

/voice on

錄音流程：

1. 按 Ctrl+B
2. 開口說話
3. 停頓 3 秒自動結束錄音
4. Hermes 轉文字並回答
5. 開了 TTS 的話，它會直接唸出來

常用指令：

/voice          # 查看狀態
/voice on       # 開啟
/voice off      # 關閉
/voice tts      # 切換語音播報
/voice status   # 查看詳情

實用場景：

除錯報錯時直接說：「我老遇到 docker 權限錯誤，幫我查查。」然後繼續追問：「再說簡單點」「給我具體修復指令」。

調靈敏度：如果錄音老斷或不停，改 silence_threshold（閾值）和 silence_duration（靜音時長）就行。

語音模式最爽的地方就是：手不用碰鍵盤，腦子不用斷思路。快去試試吧！