Hermes Agent + ElevenLabs: guia completo de voz

Sua voz gratuita basta, até que outra pessoa ouça

O Edge TTS já vem com o Hermes Agent e não custa nada. Funciona, oferece mais de 400 vozes em dezenas de idiomas e, se só você vai escutar seu bot, é o suficiente. No momento em que você entrega seu bot do Telegram a um cliente, coloca em um grupo ou grava algo que um humano vai reagir, a voz padrão soa, exatamente, como uma voz padrão. O ElevenLabs é o conserto mais rápido e é o provedor de TTS pago mais procurado que o Hermes suporta.

Este guia é o cabeamento ponta a ponta, um arquivo de configuração por vez. O que o plano gratuito realmente cobre, onde vai a API key, como escolher um voice_id que ainda vá existir daqui a seis meses, qual modelo definir para chat versus texto longo e onde estão os trade-offs honestos (hospedado nos EUA, cobrança por uso, sem caminho offline). Sem prints, sem enrolação, só os passos e os números.

O que o plano gratuito te dá

O ElevenLabs concede a cada conta 10.000 créditos por mês no plano gratuito. O Multilingual v2 cobra 1 crédito por caractere, ou seja, cerca de 10.000 caracteres, aproximadamente 1.500 palavras faladas ou de dez a doze minutos de áudio final em ritmo natural. Créditos não acumulam: o contador reinicia na sua data de faturamento e o que sobrar se perde.

Para um Hermes Agent pessoal que responde a algumas notas de voz por dia no Telegram, dez minutos costumam ser o mês inteiro. Para um bot voltado ao cliente, planeje o plano Creator ou superior. Excedentes no Creator ficam em torno de US$ 0,30 por 1.000 caracteres, e esse é o número honesto para comparar com o Edge TTS, que é grátis.

Dois detalhes do plano gratuito para nomear já de saída:

O plano gratuito permite uso comercial, mas o áudio precisa atribuir o ElevenLabs. Para um chat privado tudo bem. Para um bot que fala com seus clientes pagos, essa obrigação de atribuição é motivo para pagar.
As vozes preset (Rachel, Adam e companhia) serão descontinuadas no fim de 2026. Fixe um voice_id da Voice Library antes disso ou seu bot vai quebrar em silêncio quando a virada acontecer.

Passo 1: instale o extra de TTS premium

O Hermes já traz os provedores gratuitos de TTS. O ElevenLabs vive atrás do extra tts-premium para que as dependências continuem enxutas caso você nunca o ligue:

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

Se você já instalou o extra de mensageria, rode os dois juntos para evitar dor de cabeça no resolver:

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

Passo 2: coloque a API key onde o Hermes lê

Crie uma chave no elevenlabs.io, em Profile e depois API Keys. A chave tem o formato sk_... e é a única credencial que o ElevenLabs precisa. Vai em ~/.hermes/.env:

ELEVENLABS_API_KEY=sk_sua_chave_aqui

Duas coisas sobre esse caminho. Primeiro, é ~/.hermes/.env, não o .env do projeto de onde você lançou o Hermes: o gateway lê só o diretório de configuração. Segundo, se você preferir exportar a chave no shell, o Hermes também vai captá-la, mas o arquivo .env é o que sobrevive a um reboot sem você ter que pensar nisso.

Passo 3: conecte o provedor no config.yaml

Edite ~/.hermes/config.yaml e ajuste o bloco de TTS:

tts:
  provider: elevenlabs
  voice_id: 21m00Tcm4TlvDq8ikWAM   # Rachel (voz feminina padrão)
  model_id: eleven_multilingual_v2

Essa é toda a configuração. Reinicie o gateway:

hermes gateway restart

De uma sessão da CLI, verifique:

hermes
> /voice on
> Diga "um dois três, o ElevenLabs está conectado."

Você deve ouvir a resposta na voz configurada. Se não ouvir nada, as duas causas mais comuns são chave errada (401 no log do gateway) e falta de ffmpeg na máquina quando o Hermes tenta converter áudio para o Telegram: veja a seção do Telegram mais abaixo.

Passo 4: escolha um voice_id que vá continuar existindo

O voice_id é a única alavanca que decide como seu bot soa. Duas famílias de vozes, ambas acessadas do mesmo jeito:

Vozes preset - Rachel, Adam e os outros nomes que já vêm no plano gratuito. Custo zero, funcionam de imediato, mas, de novo: a lista inteira de presets será desativada no fim de 2026. Ok para um experimento de fim de semana, errado para qualquer coisa que você planeja rodar em 2027.
Vozes da Voice Library - mais de 10.000 vozes compartilhadas por usuários do ElevenLabs e vozes que você mesmo desenha. Navegue pela biblioteca em elevenlabs.io, clique em Add Voice nas que gostar e cole o ID em voice_id. Essas vozes persistem e são a escolha certa para produção.

O fluxo seguro: mesmo em um primeiro setup, escolha duas vozes da Voice Library, adicione as duas na sua conta e coloque a principal em voice_id. Quando uma for descontinuada (vozes da comunidade vão e vem), você troca sem correria.

Um close de uma forma de onda de áudio em verde sobre fundo escuro, com picos suaves e brilhantes representando áudio falado

Passo 5: escolha o modelo

Dois modelos importam para o Hermes no Telegram e você decide entre eles com base em latência versus qualidade:

Modelo	Custo	Latência	Melhor para
`eleven_multilingual_v2`	1 crédito / caractere	Maior, prioriza qualidade	Respostas longas, resposta a notas de voz, chat multilíngue
`eleven_flash_v2_5`	0,5 crédito / caractere	Em torno de 75 ms até o primeiro byte	Respostas curtas de chat, conversa de baixa latência

O Multilingual v2 é o padrão na configuração acima porque produz o áudio mais expressivo e cobre mais de 29 idiomas, o que importa se o seu Hermes Agent responde em português metade do tempo. O Flash v2.5 vence no chat curto de ida e volta, onde a resposta é uma frase ou duas e cada 100 ms se percebe.

Um padrão pragmático: comece no Multilingual v2, escute algumas respostas reais do seu bot e só passe para o Flash se a pausa depois da sua nota de voz realmente incomodar você ou a pessoa do outro lado.

Passo 6: a vantagem Opus no Telegram

Essa é a peça que a maior parte dos guias pula e é a razão de o ElevenLabs se encaixar melhor no Telegram do que quase qualquer alternativa.

As bolhas de voz do Telegram precisam ser codificadas em Opus. Motores de TTS locais como o NeuTTS produzem WAV, então o Hermes precisa chamar ffmpeg a cada resposta, e essa recodificação adiciona uma latência que dá para sentir. O ElevenLabs pode devolver Opus de forma nativa, então os bytes de áudio vão direto da resposta da API para a bolha de voz do Telegram, sem conversão.

Ainda assim vale ter o ffmpeg instalado como fallback:

sudo apt install ffmpeg   # Linux
brew install ffmpeg        # macOS

Mas com o ElevenLabs configurado, o ffmpeg fica ocioso no caminho feliz e as respostas de voz chegam mais rápido. Contraste com a comparação completa de provedores de TTS se estiver pesando isso contra NeuTTS ou Piper no mesmo lugar.

Passo 7: teste o loop inteiro

Do seu celular, envie uma nota de voz para o seu bot no Telegram:

Segure o botão do microfone no chat, fale uma pergunta curta, solte
O bot transcreve com o Whisper
O agente processa a mensagem
O ElevenLabs sintetiza a resposta como Opus
O Hermes devolve como bolha de voz

O loop inteiro deve levar poucos segundos para uma pergunta curta, mais tempo se disparar chamadas de ferramentas ou consultas MCP. Se o áudio nunca chega, olhe o log do gateway atrás de 401 (chave errada), 429 (limitado pelo plano gratuito) ou voice_id not found (normalmente uma voz que você não adicionou à sua conta antes de colar o ID). Para uma varredura mais ampla, veja o guia de voz que não funciona.

Os trade-offs honestos

O ElevenLabs é o TTS que soa melhor que dá para conectar ao Hermes hoje, e não é isento de consequências que vale nomear:

Cobrança por uso. Você paga por caractere e o plano gratuito é apertado. Se seu bot escreve respostas longas em escala, orçamento à vista.
Hospedado nos EUA, só na nuvem. Cada resposta faz uma ida e volta ao ElevenLabs. Se seu agente precisa rodar em ambiente isolado ou seus dados não podem sair da sua jurisdição, NeuTTS ou Piper são a resposta honesta, não isso.
Lock-in de fornecedor na voz. Uma voz clonada ou escolhida da Voice Library vive dentro do ElevenLabs. Se você trocar de provedor, reconstrói a identidade.
Sunset das vozes preset. As vozes padrão se apagam no fim de 2026. Migre para a Voice Library antes.

Para a maior parte de quem roda um Hermes Agent pessoal no Telegram, nenhum desses é impeditivo, e o salto de qualidade é imediatamente audível.

Uma cena suave e cinematográfica de um telefone sobre uma mesa de madeira mostrando uma bolha de voz do Telegram sendo reproduzida, com uma forma de onda verde tênue sobre a tela

Pule o cabeamento: a Hermify já entrega pré-configurado

O setup acima não é difícil, mas ainda são quatro pontos de configuração, um restart e uma caça ao voice_id para chegar no áudio que você quer. Se você preferir não gerenciar nada disso, a Hermify roda um Hermes Agent gerenciado no Telegram com a camada de TTS já provisionada. Adicione sua chave do ElevenLabs no painel, escolha seu voice_id, e a mudança vale na próxima resposta. Sem SSH, sem config.yaml, sem instalar ffmpeg. Os arquivos de memória continuam seus do mesmo jeito.

Comece com a Hermify e vá direto para a parte divertida: o momento em que seu bot responde com uma voz que soa como se fosse sua.