Hermes-agent

2026-06-14 14:30:48 -04:00
commit dac4b88b94
5058 changed files with 1884848 additions and 0 deletions
@@ -0,0 +1,456 @@
+---
+sidebar_position: 8
+title: "在 Hermes 中使用语音模式"
+description: "在 CLI、Telegram、Discord 及 Discord 语音频道中设置和使用 Hermes 语音模式的实用指南"
+---
+
+# 在 Hermes 中使用语音模式
+
+本指南是[语音模式功能参考](/user-guide/features/voice-mode)的实用配套文档。
+
+功能页面介绍语音模式能做什么，本指南则说明如何真正用好它。
+
+## 语音模式适合哪些场景
+
+语音模式在以下情况特别有用：
+- 需要免手持的 CLI 工作流
+- 希望在 Telegram 或 Discord 中获得语音回复
+- 希望 Hermes 加入 Discord 语音频道进行实时对话
+- 边走动边快速记录想法、调试问题或来回交流，而不是打字
+
+## 选择你的语音模式方案
+
+Hermes 中实际上有三种不同的语音体验。
+
+| 模式 | 最适合 | 平台 |
+|---|---|---|
+| 交互式麦克风循环 | 编码或研究时的个人免手持使用 | CLI |
+| 聊天中的语音回复 | 在正常消息旁附带语音回复 | Telegram、Discord |
+| 实时语音频道机器人 | 在语音频道中进行群组或个人实时对话 | Discord 语音频道 |
+
+推荐路径：
+1. 先让文本模式正常工作
+2. 再启用语音回复
+3. 最后如需完整体验，再切换到 Discord 语音频道
+
+## 第一步：确保普通 Hermes 先正常运行
+
+在接触语音模式之前，请确认：
+- Hermes 能正常启动
+- 已配置好 provider（提供商）
+- Agent 能正常回答文本 prompt（提示词）
+
+```bash
+hermes
+```
+
+问一个简单的问题：
+
+```text
+What tools do you have available?
+```
+
+如果文本模式还不稳定，请先修复它。
+
+## 第二步：安装所需的额外依赖
+
+### CLI 麦克风 + 播放
+
+```bash
+pip install "hermes-agent[voice]"
+```
+
+### 消息平台
+
+```bash
+pip install "hermes-agent[messaging]"
+```
+
+### 高级 ElevenLabs TTS
+
+```bash
+pip install "hermes-agent[tts-premium]"
+```
+
+### 本地 NeuTTS（可选）
+
+```bash
+python -m pip install -U neutts[all]
+```
+
+### 全部安装
+
+```bash
+pip install "hermes-agent[all]"
+```
+
+## 第三步：安装系统依赖
+
+### macOS
+
+```bash
+brew install portaudio ffmpeg opus
+brew install espeak-ng
+```
+
+### Ubuntu / Debian
+
+```bash
+sudo apt install portaudio19-dev ffmpeg libopus0
+sudo apt install espeak-ng
+```
+
+各依赖的作用：
+- `portaudio` → CLI 语音模式的麦克风输入与播放
+- `ffmpeg` → TTS 和消息传递的音频转换
+- `opus` → Discord 语音编解码器支持
+- `espeak-ng` → NeuTTS 的 phonemizer 后端
+
+## 第四步：选择 STT 和 TTS 提供商
+
+Hermes 同时支持本地和云端语音处理方案。
+
+### 最简单 / 最低成本的方案
+
+使用本地 STT 和免费的 Edge TTS：
+- STT provider：`local`
+- TTS provider：`edge`
+
+这通常是最好的起点。
+
+### 环境变量文件示例
+
+添加到 `~/.hermes/.env`：
+
+```bash
+# 云端 STT 选项（本地无需密钥）
+GROQ_API_KEY=***
+VOICE_TOOLS_OPENAI_KEY=***
+
+# 高级 TTS（可选）
+ELEVENLABS_API_KEY=***
+```
+
+### Provider 推荐
+
+#### 语音转文字（STT）
+
+- `local` → 隐私保护和零成本使用的最佳默认选项
+- `groq` → 极快的云端转录
+- `openai` → 良好的付费备选
+
+#### 文字转语音（TTS）
+
+- `edge` → 免费，对大多数用户已足够
+- `neutts` → 免费的本地/设备端 TTS
+- `elevenlabs` → 最佳质量
+- `openai` → 良好的中间选项
+- `mistral` → 多语言，原生 Opus
+
+### 如果使用 `hermes setup`
+
+如果你在设置向导中选择了 NeuTTS，Hermes 会检查 `neutts` 是否已安装。如果缺失，向导会告知你 NeuTTS 需要 Python 包 `neutts` 和系统包 `espeak-ng`，并提供自动安装，使用平台包管理器安装 `espeak-ng`，然后运行：
+
+```bash
+python -m pip install -U neutts[all]
+```
+
+如果跳过安装或安装失败，向导会回退到 Edge TTS。
+
+## 第五步：推荐配置
+
+```yaml
+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"
+```
+
+这是适合大多数人的保守默认配置。
+
+如果想改用本地 TTS，将 `tts` 块替换为：
+
+```yaml
+tts:
+  provider: "neutts"
+  neutts:
+    ref_audio: ''
+    ref_text: ''
+    model: neuphonic/neutts-air-q4-gguf
+    device: cpu
+```
+
+## 使用场景一：CLI 语音模式
+
+## 开启方式
+
+启动 Hermes：
+
+```bash
+hermes
+```
+
+在 CLI 内执行：
+
+```text
+/voice on
+```
+
+### 录音流程
+
+默认按键：
+- `Ctrl+B`
+
+工作流程：
+1. 按下 `Ctrl+B`
+2. 说话
+3. 等待静音检测自动停止录音
+4. Hermes 转录并回复
+5. 如果开启了 TTS，它会朗读答案
+6. 循环可自动重启以持续使用
+
+### 常用命令
+
+```text
+/voice
+/voice on
+/voice off
+/voice tts
+/voice status
+```
+
+### 推荐的 CLI 工作流
+
+#### 随走随调试
+
+说：
+
+```text
+I keep getting a docker permission error. Help me debug it.
+```
+
+然后继续免手持操作：
+- "再读一遍最后的错误"
+- "用更简单的语言解释根本原因"
+- "现在给我精确的修复方案"
+
+#### 研究 / 头脑风暴
+
+非常适合：
+- 边走动边思考
+- 口述半成形的想法
+- 让 Hermes 实时整理你的思路
+
+#### 无障碍 / 少打字场景
+
+如果打字不方便，语音模式是保持完整 Hermes 工作流的最快方式之一。
+
+## 调整 CLI 行为
+
+### 静音阈值
+
+如果 Hermes 开始/停止过于激进，调整：
+
+```yaml
+voice:
+  silence_threshold: 250
+```
+
+阈值越高 = 灵敏度越低。
+
+### 静音时长
+
+如果你在句子之间经常停顿，增大该值：
+
+```yaml
+voice:
+  silence_duration: 4.0
+```
+
+### 录音按键
+
+如果 `Ctrl+B` 与你的终端或 tmux 习惯冲突：
+
+```yaml
+voice:
+  record_key: "ctrl+space"
+```
+
+## 使用场景二：Telegram 或 Discord 中的语音回复
+
+此模式比完整语音频道更简单。
+
+Hermes 仍作为普通聊天机器人运行，但可以朗读回复。
+
+### 启动 gateway
+
+```bash
+hermes gateway
+```
+
+### 开启语音回复
+
+在 Telegram 或 Discord 中：
+
+```text
+/voice on
+```
+
+或
+
+```text
+/voice tts
+```
+
+### 模式说明
+
+| 模式 | 含义 |
+|---|---|
+| `off` | 仅文本 |
+| `voice_only` | 仅当用户发送语音时才朗读 |
+| `all` | 朗读每条回复 |
+
+### 何时使用哪种模式
+
+- `/voice on`：仅对语音来源的消息给出语音回复
+- `/voice tts`：始终作为完整语音助手运行
+
+### 推荐的消息平台工作流
+
+#### 手机上的 Telegram 助手
+
+适用于：
+- 离开电脑时
+- 发送语音备忘并获取快速语音回复
+- 希望 Hermes 充当便携式研究或运维助手
+
+#### Discord 私信中的语音输出
+
+适用于希望私密交互、避免服务器频道 @mention 行为的场景。
+
+## 使用场景三：Discord 语音频道
+
+这是最高级的模式。
+
+Hermes 加入 Discord 语音频道（VC），监听用户语音，转录后运行正常的 agent 流水线，并将回复朗读回频道。
+
+## 所需的 Discord 权限
+
+除了普通文本机器人设置外，请确保机器人拥有：
+- Connect（连接）
+- Speak（发言）
+- 最好还有 Use Voice Activity（使用语音活动）
+
+同时在开发者门户中启用特权 intent（意图）：
+- Presence Intent
+- Server Members Intent
+- Message Content Intent
+
+## 加入与离开
+
+在机器人所在的 Discord 文本频道中：
+
+```text
+/voice join
+/voice leave
+/voice status
+```
+
+### 加入后的行为
+
+- 用户在语音频道中说话
+- Hermes 检测语音边界
+- 转录内容发布到关联的文本频道
+- Hermes 以文字和音频形式回复
+- 文本频道为执行 `/voice join` 的那个频道
+
+### Discord 语音频道使用最佳实践
+
+- 严格限制 `DISCORD_ALLOWED_USERS`
+- 先使用专用的机器人/测试频道
+- 在尝试语音频道模式之前，先确认 STT 和 TTS 在普通文本聊天语音模式下正常工作
+
+## 语音质量建议
+
+### 最佳质量方案
+
+- STT：本地 `large-v3` 或 Groq `whisper-large-v3`
+- TTS：ElevenLabs
+
+### 最佳速度 / 便利性方案
+
+- STT：本地 `base` 或 Groq
+- TTS：Edge
+
+### 最佳零成本方案
+
+- STT：本地
+- TTS：Edge
+
+## 常见故障模式
+
+### "No audio device found"
+
+安装 `portaudio`。
+
+### "机器人加入但听不到声音"
+
+检查：
+- 你的 Discord 用户 ID 是否在 `DISCORD_ALLOWED_USERS` 中
+- 你是否处于静音状态
+- 特权 intent 是否已启用
+- 机器人是否拥有 Connect/Speak 权限
+
+### "能转录但不说话"
+
+检查：
+- TTS provider 配置
+- ElevenLabs 或 OpenAI 的 API 密钥 / 配额
+- Edge 转换路径的 `ffmpeg` 安装情况
+
+### "Whisper 输出乱码"
+
+尝试：
+- 更安静的环境
+- 提高 `silence_threshold`
+- 更换 STT provider/模型
+- 更短、更清晰的表达
+
+### "在私信中正常但在服务器频道中不工作"
+
+这通常是 mention（提及）策略问题。
+
+默认情况下，除非另行配置，机器人在 Discord 服务器文本频道中需要被 `@mention` 才会响应。
+
+## 建议的第一周方案
+
+如果你想走最短的成功路径：
+
+1. 让文本 Hermes 正常工作
+2. 安装 `hermes-agent[voice]`
+3. 使用本地 STT + Edge TTS 的 CLI 语音模式
+4. 然后在 Telegram 或 Discord 中启用 `/voice on`
+5. 只有在此之后，再尝试 Discord 语音频道模式
+
+这种递进方式可以将调试范围控制到最小。
+
+## 下一步阅读
+
+- [语音模式功能参考](/user-guide/features/voice-mode)
+- [消息 Gateway](/user-guide/messaging)
+- [Discord 设置](/user-guide/messaging/discord)
+- [Telegram 设置](/user-guide/messaging/telegram)
+- [配置](/user-guide/configuration)