Голосовой режим в Hermes

Этот гайд — практическое дополнение к справочнику по функции голосового режима.

Если справочная страница объясняет, что умеет голосовой режим, то здесь — как им пользоваться по-настоящему хорошо.

совет

Nous Portal объединяет LLM и TTS через единый OAuth — голосовой режим работает от начала до конца без дополнительных учётных данных.

Для чего подходит голосовой режим

Голосовой режим особенно полезен, когда:

хочется работать в CLI без рук
нужны голосовые ответы в Telegram или Discord
хочется, чтобы Hermes сидел в голосовом канале Discord для живого разговора
удобнее быстро надиктовать идею, отладить задачу или поговорить на ходу, не набирая текст

Выберите вариант голосового режима

В Hermes три разных голосовых сценария.

Режим	Лучше всего для	Платформа
Интерактивный цикл с микрофоном	Личное использование без рук во время разработки или исследования	CLI
Голосовые ответы в чате	Озвученные ответы наряду с обычными сообщениями	Telegram, Discord
Живой бот в голосовом канале	Групповой или личный разговор в войсе	Голосовые каналы Discord

Оптимальный путь:

сначала добейтесь стабильной работы в текстовом режиме
затем включите голосовые ответы
и только потом, если нужен полный опыт, переходите к голосовым каналам Discord

Шаг 1: убедитесь, что обычный Hermes работает

Прежде чем трогать голосовой режим, проверьте:

Hermes запускается
провайдер настроен
агент отвечает на текстовые промпты нормально

hermes

Задайте что-нибудь простое:

What tools do you have available?

Если с этим что-то не так, сначала разберитесь с текстовым режимом.

Шаг 2: установите нужные расширения

Микрофон и воспроизведение в CLI

pip install "hermes-agent[voice]"

Мессенджеры

pip install "hermes-agent[messaging]"

Премиум TTS от ElevenLabs

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

Локальный NeuTTS (опционально)

python -m pip install -U neutts[all]

Всё сразу

pip install "hermes-agent[all]"

Шаг 3: установите системные зависимости

macOS

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian

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

Зачем они нужны:

portaudio → ввод с микрофона и воспроизведение в голосовом режиме CLI
ffmpeg → конвертация аудио для TTS и доставки в мессенджерах
opus → поддержка голосового кодека Discord
espeak-ng → бэкенд фонемайзера для NeuTTS

Шаг 4: выберите провайдеры STT и TTS

Hermes поддерживает как локальные, так и облачные речевые стеки.

Самая простая и дешёвая конфигурация

Локальный STT и бесплатный Edge TTS:

провайдер STT: local
провайдер TTS: edge

Это лучшая отправная точка для большинства.

Пример файла окружения

Добавьте в ~/.hermes/.env:

# Cloud STT options (local needs no key)
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# Premium TTS (optional)
ELEVENLABS_API_KEY=***

Если используете `hermes setup`

Если вы выбрали NeuTTS в мастере настройки, Hermes проверяет, установлен ли neutts. Если не установлен, мастер сообщает, что NeuTTS требует Python-пакет neutts и системный пакет espeak-ng, предлагает установить их, устанавливает espeak-ng через пакетный менеджер вашей платформы, а затем выполняет:

python -m pip install -U neutts[all]

Если установка пропущена или завершилась с ошибкой, мастер откатывается на Edge TTS.

Шаг 5: рекомендуемая конфигурация

voice:
  record_key: "ctrl+b"
  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"

Это разумный консервативный вариант для большинства людей.

Если хотите локальный TTS, замените блок tts на:

tts:
  provider: "neutts"
  neutts:
    ref_audio: ''
    ref_text: ''
    model: neuphonic/neutts-air-q4-gguf
    device: cpu

Сценарий 1: голосовой режим в CLI

Включение

Запустите Hermes:

hermes

Внутри CLI:

/voice on

Процесс записи

Клавиша по умолчанию:

Ctrl+B

Порядок действий:

нажмите Ctrl+B
говорите
дождитесь, пока детектор тишины автоматически остановит запись
Hermes транскрибирует и отвечает
если TTS включён, ответ будет озвучен
цикл может автоматически перезапускаться для непрерывного использования

Полезные команды

/voice
/voice on
/voice off
/voice tts
/voice status

Хорошие рабочие сценарии в CLI

Отладка на ходу

Скажите:

I keep getting a docker permission error. Help me debug it.

Затем продолжайте без рук:

“Read the last error again”
“Explain the root cause in simpler terms”
“Now give me the exact fix”

Исследование и мозговой штурм

Отлично подходит для:

прогулки во время размышлений
диктовки полусформированных идей
просьбы к Hermes структурировать ваши мысли в реальном времени

Режим доступности / минимума набора текста

Если набирать текст неудобно, голосовой режим — один из самых быстрых способов оставаться в полном цикле работы с Hermes.

Тонкая настройка поведения CLI

Порог тишины

Если Hermes начинает или останавливает запись слишком агрессивно, настройте:

voice:
  silence_threshold: 250

Выше порог — меньше чувствительность.

Длительность тишины

Если вы делаете паузы между предложениями, увеличьте:

voice:
  silence_duration: 4.0

Клавиша записи

Если Ctrl+B конфликтует с привычками вашего терминала или tmux:

voice:
  record_key: "ctrl+space"

Сценарий 2: голосовые ответы в Telegram или Discord

Этот режим проще, чем полноценные голосовые каналы.

Hermes остаётся обычным чат-ботом, но может озвучивать ответы.

Запустите шлюз

hermes gateway

Включите голосовые ответы

Внутри Telegram или Discord:

/voice on

или

/voice tts

Режимы

Режим	Значение
`off`	только текст
`voice_only`	озвучивать только когда пользователь отправил голос
`all`	озвучивать каждый ответ

Когда какой режим использовать

/voice on — если хотите озвученные ответы только на голосовые сообщения
/voice tts — если хотите полноценного голосового ассистента всегда

Хорошие рабочие сценарии в мессенджерах

Telegram-ассистент на телефоне

Используйте когда:

вы вдали от рабочего места
хотите отправлять голосовые сообщения и получать быстрые голосовые ответы
хотите, чтобы Hermes работал как портативный исследовательский или операционный ассистент

Discord в личных сообщениях с озвученным выводом

Полезно, когда нужно приватное взаимодействие без поведения с упоминаниями в серверных каналах.

Сценарий 3: голосовые каналы Discord

Это самый продвинутый режим.

Hermes заходит в голосовой канал Discord, слушает речь пользователей, транскрибирует её, запускает обычный пайплайн агента и озвучивает ответы обратно в канал.

Необходимые разрешения Discord

Помимо стандартной настройки текстового бота, убедитесь, что у бота есть:

Connect
Speak
желательно Use Voice Activity

Также включите привилегированные интенты на Developer Portal:

Presence Intent
Server Members Intent
Message Content Intent

Вход и выход

В текстовом канале Discord, где присутствует бот:

/voice join
/voice leave
/voice status

Что происходит после входа

пользователи говорят в голосовом канале
Hermes определяет границы речи
транскрипты публикуются в связанном текстовом канале
Hermes отвечает текстом и аудио
текстовый канал — тот, в котором была выдана команда /voice join

Лучшие практики использования голосовых каналов Discord

держите DISCORD_ALLOWED_USERS строгим
сначала используйте отдельный бот/тестовый канал
убедитесь, что STT и TTS работают в обычном текстово-чатовом голосовом режиме, прежде чем переходить к голосовым каналам

Типичные проблемы

«No audio device found»

Установите portaudio.

«Bot joins but hears nothing»

Проверьте:

ваш Discord user ID есть в DISCORD_ALLOWED_USERS
вы не в режиме mute
привилегированные интенты включены
у бота есть разрешения Connect/Speak

«It transcribes but does not speak»

Проверьте:

конфигурацию провайдера TTS
API-ключ / квоту для ElevenLabs или OpenAI
установку ffmpeg для путей конвертации Edge

«Whisper outputs garbage»

Попробуйте:

более тихую обстановку
повысить silence_threshold
другой провайдер/модель STT
более короткие и чёткие фразы

«It works in DMs but not in server channels»

Скорее всего, это политика упоминаний.

По умолчанию боту нужно @упоминание в текстовых каналах сервера Discord, если не настроено иначе.

Голосовой режим в Hermes

Для чего подходит голосовой режим

Выберите вариант голосового режима

Шаг 1: убедитесь, что обычный Hermes работает

Шаг 2: установите нужные расширения

Микрофон и воспроизведение в CLI

Мессенджеры

Премиум TTS от ElevenLabs

Локальный NeuTTS (опционально)

Всё сразу

Шаг 3: установите системные зависимости

macOS

Ubuntu / Debian

Шаг 4: выберите провайдеры STT и TTS

Самая простая и дешёвая конфигурация

Пример файла окружения

Рекомендации по провайдерам

Распознавание речи (STT)

Синтез речи (TTS)

Если используете hermes setup

Шаг 5: рекомендуемая конфигурация

Сценарий 1: голосовой режим в CLI

Включение

Процесс записи

Полезные команды

Хорошие рабочие сценарии в CLI

Отладка на ходу

Исследование и мозговой штурм

Режим доступности / минимума набора текста

Тонкая настройка поведения CLI

Порог тишины

Длительность тишины

Клавиша записи

Сценарий 2: голосовые ответы в Telegram или Discord

Запустите шлюз

Включите голосовые ответы

Режимы

Когда какой режим использовать

Хорошие рабочие сценарии в мессенджерах

Telegram-ассистент на телефоне

Discord в личных сообщениях с озвученным выводом

Сценарий 3: голосовые каналы Discord

Необходимые разрешения Discord

Вход и выход

Что происходит после входа

Лучшие практики использования голосовых каналов Discord

Рекомендации по качеству голоса

Лучшее качество

Лучшее соотношение скорости и удобства

Лучший вариант без затрат

Типичные проблемы

«No audio device found»

«Bot joins but hears nothing»

«It transcribes but does not speak»

«Whisper outputs garbage»

«It works in DMs but not in server channels»

Рекомендуемая настройка на первую неделю

Что читать дальше

Если используете `hermes setup`