Hermes Agent + ElevenLabs: Vollständige Sprach-Setup-Anleitung

Ihre kostenlose Stimme reicht, bis sie tatsächlich jemand hört

Edge TTS ist bei Hermes Agent dabei und kostet nichts. Es funktioniert, bietet 400+ Stimmen in Dutzenden Sprachen, und wenn nur Sie Ihren Bot hören, ist es wirklich ausreichend. Sobald Sie Ihren Telegram-Bot einem Kunden übergeben, ihn in einen Gruppenchat setzen oder ihn nutzen, um etwas aufzunehmen, worauf ein Mensch reagieren wird, klingt die Standardstimme plötzlich genau nach Standard. ElevenLabs ist die schnellste Abhilfe, und es ist der meistgesuchte kostenpflichtige TTS-Anbieter, den Hermes unterstützt.

Diese Anleitung ist die vollständige Verkabelung, eine Konfigurationsdatei nach der anderen. Was der kostenlose Tarif wirklich abdeckt, wo der API-Schlüssel hingehört, wie Sie eine voice_id wählen, die in sechs Monaten noch existiert, welches Modell Sie für Chat und Langform einstellen und wo die ehrlichen Abwägungen liegen (US-gehostet, nutzungsbasiert, kein Offline-Pfad). Keine Screenshots, keine Füllsätze, nur die Schritte und die Zahlen.

Was der kostenlose Tarif Ihnen bietet

ElevenLabs vergibt jedem Konto im kostenlosen Tarif 10.000 Guthaben pro Monat. Multilingual v2 berechnet 1 Guthaben pro Zeichen, das entspricht etwa 10.000 Zeichen, rund 1.500 gesprochenen Wörtern oder zehn bis zwölf Minuten fertigem Audio in natürlichem Tempo. Guthaben werden nicht übertragen: Der Zähler setzt sich an Ihrem Abrechnungsdatum zurück und Ungenutztes verfällt.

Für einen persönlichen Hermes Agent, der pro Tag eine Handvoll Telegram-Sprachnachrichten beantwortet, sind zehn Minuten oft der ganze Monat. Für einen kundenseitigen Bot planen Sie den Creator-Tarif oder höher ein. Überziehungen im Creator-Tarif liegen bei rund 0,30 $ pro 1.000 Zeichen, und das ist die ehrliche Zahl, die Sie Edge TTS (kostenlos) gegenüberstellen sollten.

Zwei Feinheiten des kostenlosen Tarifs, die Sie gleich kennen sollten:

Der kostenlose Plan erlaubt kommerzielle Nutzung, aber das Audio muss ElevenLabs nennen. In einem privaten Chat kein Problem. Für einen Bot, der mit Ihren zahlenden Kunden spricht, ist diese Nennpflicht ein Grund, zu bezahlen.
Die Standard-Preset-Stimmen (Rachel, Adam und die anderen) werden Ende 2026 abgeschaltet. Fixieren Sie vorher eine voice_id aus der Voice Library, sonst bricht Ihr Bot beim Umschalten stillschweigend ab.

Schritt 1: Premium-TTS-Extra installieren

Hermes bringt die kostenlosen TTS-Anbieter mit. ElevenLabs lebt hinter dem Extra tts-premium, damit die Abhängigkeiten schlank bleiben, wenn Sie es nie einschalten:

pip install "hermes-agent[tts-premium]"

Wenn Sie das Messaging-Extra bereits installiert haben, führen Sie beide gemeinsam aus, um Resolver-Rumpeln zu vermeiden:

pip install "hermes-agent[messaging,tts-premium]"

Schritt 2: API-Schlüssel dort ablegen, wo Hermes ihn liest

Erzeugen Sie einen Schlüssel auf elevenlabs.io unter Profile, dann API Keys. Der Schlüssel hat die Form sk_... und ist die einzige Zugangsdaten, die ElevenLabs benötigt. Er kommt in ~/.hermes/.env:

ELEVENLABS_API_KEY=sk_ihr_schluessel_hier

Zwei Punkte zu diesem Pfad. Erstens ist es ~/.hermes/.env, nicht das .env in dem Projekt, aus dem Sie Hermes gestartet haben - der Gateway liest ausschließlich das Konfigurationsverzeichnis. Zweitens: Wenn Sie den Schlüssel stattdessen in der Shell exportieren, findet Hermes ihn auch, aber die .env-Datei überlebt einen Neustart, ohne dass Sie daran denken müssen.

Schritt 3: Anbieter in config.yaml verdrahten

Bearbeiten Sie ~/.hermes/config.yaml und setzen Sie den TTS-Block:

tts:
  provider: elevenlabs
  voice_id: 21m00Tcm4TlvDq8ikWAM   # Rachel (weibliche Standardstimme)
  model_id: eleven_multilingual_v2

Das ist die gesamte Konfiguration. Starten Sie den Gateway neu:

hermes gateway restart

Prüfen Sie aus einer CLI-Sitzung:

hermes
> /voice on
> Sag "eins zwei drei, ElevenLabs ist verdrahtet."

Sie sollten die Antwort in der konfigurierten Stimme hören. Wenn nichts kommt, sind die zwei üblichen Ursachen ein falscher Schlüssel (401 im Gateway-Log) und ein fehlendes ffmpeg auf dem Rechner, wenn Hermes das Audio für Telegram konvertieren möchte - siehe den Telegram-Abschnitt unten.

Schritt 4: Eine voice_id wählen, die es weiterhin geben wird

Die voice_id ist der einzige Hebel, der entscheidet, wie Ihr Bot klingt. Zwei Stimmenfamilien, beide auf demselben Weg zugänglich:

Preset-Stimmen - Rachel, Adam und die anderen Namen, die im kostenlosen Tarif eingebaut sind. Null Kosten, funktionieren sofort, aber, wie gesagt: Die gesamte Preset-Liste wird Ende 2026 abgeschaltet. Ok für ein Wochenendprojekt, falsch für alles, was Sie 2027 noch betreiben wollen.
Voice-Library-Stimmen - über 10.000 Stimmen, die ElevenLabs-Nutzer teilen, plus Stimmen, die Sie selbst gestalten. Stöbern Sie in der Bibliothek auf elevenlabs.io, klicken Sie bei den passenden Stimmen auf Add Voice und fügen Sie die ID in voice_id ein. Diese Stimmen bleiben bestehen und sind die richtige Wahl für den Produktivbetrieb.

Der sichere Ablauf: Auch beim ersten Setup wählen Sie zwei Stimmen aus der Voice Library, fügen beide zu Ihrem Konto hinzu und setzen die primäre in voice_id. Wird eine später abgekündigt (Community-Stimmen kommen und gehen), tauschen Sie ohne Hektik.

Nahaufnahme einer grünen Audiowellenform auf dunklem Hintergrund, mit weichen leuchtenden Spitzen, die gesprochenes Audio repräsentieren

Schritt 5: Modell wählen

Für Hermes auf Telegram sind zwei Modelle relevant, und Sie entscheiden zwischen ihnen nach Latenz vs. Qualität:

Modell	Kosten	Latenz	Am besten für
`eleven_multilingual_v2`	1 Guthaben / Zeichen	Höher, Qualität zuerst	Lange Antworten, Antworten auf Sprachnachrichten, mehrsprachiger Chat
`eleven_flash_v2_5`	0,5 Guthaben / Zeichen	Rund 75 ms bis zum ersten Byte	Kurze Chat-Antworten, Konversation mit geringer Latenz

Multilingual v2 ist in der Konfiguration oben der Standard, weil es das ausdrucksstärkere Audio erzeugt und mehr als 29 Sprachen abdeckt, was zählt, wenn Ihr Hermes Agent die Hälfte der Zeit auf Deutsch antwortet. Flash v2.5 gewinnt beim kurzen Hin und Her, wenn die Antwort ein oder zwei Sätze umfasst und jede 100 ms auffällt.

Ein pragmatischer Standard: Starten Sie mit Multilingual v2, hören Sie ein paar echte Antworten Ihres Bots und wechseln Sie erst zu Flash, wenn die Pause nach Ihrer Sprachnachricht Sie oder Ihr Gegenüber tatsächlich stört.

Schritt 6: Der Opus-Vorteil auf Telegram

Das ist das Puzzlestück, das die meisten Anleitungen überspringen, und es ist der Grund, warum ElevenLabs zu Telegram besser passt als fast jede Alternative.

Telegram-Sprachblasen müssen in Opus kodiert sein. Lokale TTS-Engines wie NeuTTS erzeugen WAV, also muss Hermes bei jeder Antwort ffmpeg aufrufen, und dieser Re-Enkodierschritt fügt spürbare Latenz hinzu. ElevenLabs kann Opus nativ zurückgeben, sodass die Audio-Bytes ohne Konvertierung direkt aus der API-Antwort in die Telegram-Sprachblase gelangen.

Sie wollen ffmpeg trotzdem als Fallback installiert haben:

sudo apt install ffmpeg   # Linux
brew install ffmpeg        # macOS

Aber mit ElevenLabs verdrahtet bleibt ffmpeg auf dem glücklichen Pfad untätig und Sprachantworten kommen schneller an. Vergleichen Sie mit dem vollständigen TTS-Anbieter-Vergleich, falls Sie das gegen NeuTTS oder Piper an derselben Stelle abwägen.

Schritt 7: Die ganze Schleife prüfen

Schicken Sie von Ihrem Handy eine Sprachnachricht an Ihren Telegram-Bot:

Halten Sie den Mikrofonknopf im Chat gedrückt, sprechen Sie eine kurze Frage, loslassen
Der Bot transkribiert mit Whisper
Der Agent verarbeitet die Nachricht
ElevenLabs synthetisiert die Antwort als Opus
Hermes schickt sie als Sprachblase zurück

Die gesamte Schleife sollte für eine kurze Frage in wenigen Sekunden abgeschlossen sein, länger, wenn Tool-Aufrufe oder MCP-Abfragen ausgelöst werden. Wenn kein Audio ankommt, prüfen Sie das Gateway-Log auf 401 (falscher Schlüssel), 429 (vom kostenlosen Tarif limitiert) oder voice_id not found (meist eine Stimme, die Sie nicht zu Ihrem Konto hinzugefügt haben, bevor Sie die ID einfügten). Für eine breitere Fehlersuche siehe den Leitfaden zu nicht funktionierender Stimme.

Die ehrlichen Abwägungen

ElevenLabs ist das TTS, das heute am besten klingt und das Sie an Hermes anschließen können, und es ist nicht frei von Konsequenzen, die man benennen sollte:

Nutzungsbasierter Preis. Sie zahlen pro Zeichen und der kostenlose Tarif ist knapp. Wenn Ihr Bot lange Antworten in großem Umfang produziert, planen Sie das Budget entsprechend.
US-gehostet, nur Cloud. Jede Antwort geht hin und zurück zu ElevenLabs. Wenn Ihr Agent air-gapped laufen muss oder Ihre Daten Ihr Rechtsgebiet nicht verlassen dürfen, sind NeuTTS oder Piper die ehrliche Antwort, nicht dies.
Anbieterbindung bei der Stimme. Eine geklonte oder aus der Voice Library gewählte Stimme lebt innerhalb von ElevenLabs. Wenn Sie den Anbieter wechseln, bauen Sie die Identität neu.
Sunset der Preset-Stimmen. Die Standardstimmen verstummen Ende 2026. Wechseln Sie vorher in die Voice Library.

Für die meisten, die einen persönlichen Hermes Agent auf Telegram betreiben, ist keiner dieser Punkte ein Ausschlussgrund, und der Qualitätssprung ist sofort hörbar.

Eine sanfte, filmische Szene eines Telefons auf einem Holztisch, das eine abspielende Telegram-Sprachblase zeigt, mit einer schwachen grünen Wellenform über dem Bildschirm

Verkabelung überspringen: Hermify liefert es vorkonfiguriert

Das Setup oben ist nicht schwer, es sind aber trotzdem vier Konfigurationspunkte, ein Neustart und eine voice_id-Suche, bis Sie das gewünschte Audio bekommen. Wenn Sie nichts davon selbst verwalten möchten, betreibt Hermify einen verwalteten Hermes Agent auf Telegram mit bereits bereitgestellter TTS-Schicht. Tragen Sie Ihren ElevenLabs-Schlüssel im Dashboard ein, wählen Sie Ihre voice_id, und die Änderung greift bei der nächsten Antwort. Kein SSH, keine config.yaml, keine ffmpeg-Installation. Die Speicherdateien bleiben trotzdem bei Ihnen.

Starten Sie mit Hermify und springen Sie direkt zum spannenden Teil - dem Moment, in dem Ihr Bot in einer Stimme antwortet, die klingt, als würde sie zu Ihnen gehören.