Hermes Agent 语音模式：用说话代替打字

打字并非使用 AI 的唯一方式

2026 年，AI 工具的主流交互方式仍是文字。你输入消息，阅读回复。这种方式在很多场景下都运作良好。但有时候，语音显然更胜一筹：

• 你正在走路，想一边思考一边把问题说出来
• 你正在做饭，想询问某种食材的替代方案
• 你正在开车，想听智能体把今天的早报朗读给你听
• 你正在 Discord 语音频道里，想让智能体参与对话

Hermes Agent 在三个平台上内置了语音模式：CLI、Telegram 和 Discord。这不是简单叠加的文字转语音包装层，而是完整的语音交互——你说话，智能体倾听、转录、处理，并以语音形式回复。

以下将介绍各语音功能的工作原理、配置要求，以及实际的使用场景。

语音模式概览

Hermes 支持三种不同的语音交互模式：

每种模式适用于不同的使用场景，下面逐一详细说明。

CLI 语音模式：在终端中说话

这是最简单的语音功能。在 Hermes CLI 会话中，按 Ctrl+B 开始录音，说出你的消息，再次按 Ctrl+B（或等待静音检测）停止录音。Hermes 会将语音转录并作为普通消息处理，然后给出回复。

所需安装

pip install "hermes-agent[voice]"

此命令会安装 sounddevice 和 numpy，用于麦克风采集和音频处理。你还需要在设备上连接一个正常工作的麦克风。

CLI 语音模式的适用场景

• 解放双手进行头脑风暴：在办公室踱步时将想法说出来，Hermes 会跟上你的节奏。
• 辅助输入：如果打字困难或速度慢，语音输入能有效降低使用门槛。
• 长文口述：口头描述复杂任务，无需敲入大段指令。

CLI 语音模式偏向"开发者向"。它实用，但真正令人惊艳的体验发生在即时通讯平台上。

Telegram 语音：发送语音备忘录，获得语音回复

这是让非技术用户真正受益的语音模式。在 Telegram 中：

1. 你发送一条语音备忘录（长按麦克风按钮，说话，松开）
2. Hermes 转录你的消息
3. Hermes 正常处理内容
4. Hermes 在文字回复的同时发回一条语音音频消息

你可以在 Telegram 上与智能体进行完全基于语音的对话，全程无需打字。

所需安装

pip install "hermes-agent[messaging]"

另外还需完成标准的 Telegram 机器人配置（从 BotFather 获取 bot token，并在 config.yaml 中进行配置）。

如需更高质量的语音输出，可配置 ElevenLabs 等高级 TTS 服务商：

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

Telegram 语音体验实例

设想这样一个工作流：

1. 你正步行上班途中，在 Telegram 中长按麦克风按钮说道："今天有什么日程安排？提醒我下午 3 点打电话给牙医。"
2. Hermes 查询你的上下文，设置提醒，并发回一条语音消息："今天上午有两个会议，10 点站会，11:30 产品评审。我已为你设置了下午 3 点的牙医提醒。"

整个交互完全基于语音，你全程无需打开键盘。

自动语音回复配置

默认情况下，启用语音模式后，Hermes 在 Telegram 上会同时发送文字和语音回复。你可以自定义此行为：

• 始终语音：每条回复都包含语音音频
• 以其人之道还其人之身：语音消息获得语音回复，文字消息获得文字回复
• 仅文字：保留语音输入，关闭语音输出

"以其人之道还其人之身"模式最为自然，它会自动匹配用户的沟通风格。

Discord 语音频道：实时对话

这是最先进的语音功能。Hermes 可以加入 Discord 语音频道，实时监听所有人的发言，并以语音回复。

这让智能体成为群组对话中的语音参与者，多位用户均可提问，智能体逐一作答。

所需安装

pip install "hermes-agent[messaging]"

Discord 语音功能需要 discord.py[voice]，该依赖已包含在 messaging 扩展中。你还需要在服务器中为 Discord 机器人配置语音权限。

Discord 语音的适用场景

• 团队头脑风暴：智能体参与语音讨论，实时提供建议并回答问题
• 学习小组：在实时讨论中让智能体解释概念
• 游戏与社群服务器：智能体可在社区频道中担任支持语音的助手
• 辅助输入：无法打字的用户可通过语音与智能体交互

TTS 语音选项

Hermes 支持多种文字转语音后端：

个人使用时，系统 TTS 或 NeuTTS 已足够。若你希望智能体听起来更像真人——尤其是面向用户的场景或内容创作用途——ElevenLabs 物有所值。

配置 ElevenLabs 时，将你的 API 密钥添加到 ~/.hermes/.env：

ELEVENLABS_API_KEY=your_key_here

并安装高级 TTS 包：

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

语音输入语言

Hermes 使用 Whisper 进行语音识别，支持 99 种语言。你可以用西班牙语、法语、德语、普通话或其他大多数语言说话，智能体会正确转录并作出相应回复。

转录质量取决于 Whisper 模型的配置。若要获得非英语语言的最佳效果，请确保使用性能足够强大的 Whisper 模型。

隐私注意事项

语音数据带来了文字所没有的隐私问题：

• 音频录音：请确认你的 TTS/STT 服务商是否会保留音频。Hermes 在使用本地模型时，音频处理在本地进行。
• Telegram 上的语音消息：Telegram 会将语音消息存储在其服务器上。机器人下载语音消息进行转录，但原始文件仍保留在 Telegram 云端。
• Discord 语音：Discord 语音数据在到达机器人之前，会经过 Discord 的基础设施。

如果隐私是首要考量，使用本地 Whisper 转录和本地 TTS（NeuTTS）可以让所有音频处理都在你自己的服务器上完成。

对非技术用户的吸引力

语音模式是让 Hermes 对从未使用过终端的人也触手可及的功能。如果你为家人、朋友或小企业主搭建了一个 Hermes 智能体，他们实际上会使用的界面就是 Telegram 语音。

换位思考：他们不需要学习 CLI，不需要理解模型配置，也不需要打字。他们只需在一个已经在用的应用（Telegram）里长按一个按钮，自然地说话，然后听到语音回复。正是这种体验，弥合了"强大 AI 智能体"与"我父母也能用的工具"之间的鸿沟。

配置语音模式

如果你自行运行 Hermes：

1. 安装语音支持：pip install "hermes-agent[voice,messaging]"
2. 在 config.yaml 中配置 TTS（或使用默认值）
3. 启动网关：hermes gateway start --detach
4. 向你的 Telegram 机器人发送一条语音备忘录

如果你使用的是 Hermify，一旦连接好你的 Telegram 机器人，语音模式即可开箱即用，无需额外安装或配置。

参考资料

• Hermes Agent 语音模式文档
• Hermes Agent TTS 文档
• Hermes Agent Telegram 配置
• Hermes Agent Discord 配置
• Hermes Agent GitHub 仓库