استفاده از حالت صوتی با Hermes

این راهنما همراه عملی مرجع ویژگی حالت صوتی است.

مرجع ویژگی حالت صوتی

اگر صفحه ویژگی توضیح می‌دهد حالت صوتی چه کاری می‌تواند انجام دهد، این راهنما نشان می‌دهد چگونه واقعاً به خوبی از آن استفاده کنید.

Nous Portal هر دو LLM و TTS را از طریق یک OAuth بسته‌بندی می‌کند — حالت صوتی از ابتدا تا انتها بدون اعتبارنامه اضافی کار می‌کند.

Nous Portal

حالت صوتی برای چه چیزی خوب است

حالت صوتی به ویژه وقتی مفید است که:

تنظیم حالت صوتی خود را انتخاب کنید

در واقع سه تجربه صوتی متفاوت در Hermes وجود دارد.

حالت بهترین برای پلتفرم
حلقه میکروفون تعاملی استفاده شخصی بدون دست حین کدنویسی یا تحقیق CLI
پاسخ‌های صوتی در چت پاسخ‌های گفتاری در کنار پیام‌رسانی عادی Telegram، Discord
ربات کانال صوتی زنده مکالمه زنده گروهی یا شخصی در VC کانال‌های صوتی Discord

یک مسیر خوب:

  1. ابتدا متن را کارآمد کنید
  2. سپس پاسخ‌های صوتی را فعال کنید
  3. در نهایت اگر تجربه کامل می‌خواهید به کانال‌های صوتی Discord بروید

مرحله ۱: مطمئن شوید Hermes عادی ابتدا کار می‌کند

قبل از دست زدن به حالت صوتی، تأیید کنید که:

hermes

چیز ساده‌ای بپرسید:

What tools do you have available?

اگر هنوز محکم نیست، ابتدا حالت متن را تعمیر کن.

مرحله ۲: extras درست را نصب کنید

میکروفون CLI + پخش

cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

پلتفرم‌های پیام‌رسانی

cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

ElevenLabs TTS پریمیوم

cd ~/.hermes/hermes-agent && uv pip install -e ".[tts-premium]"

NeuTTS محلی (اختیاری)

python -m pip install -U neutts[all]

همه چیز

cd ~/.hermes/hermes-agent && uv pip install -e ".[all]"

مرحله ۳: وابستگی‌های سیستم را نصب کنید

macOS

brew install portaudio ffmpeg opusbrew install espeak-ng

Ubuntu / Debian

sudo apt install portaudio19-dev ffmpeg libopus0sudo apt install espeak-ng

چرا اینها مهم هستند:

portaudio ffmpeg opus espeak-ng

مرحله ۴: ارائه‌دهندگان STT و TTS را انتخاب کنید

Hermes از هر دو پشته گفتار محلی و ابری پشتیبانی می‌کند.

آسان‌ترین / ارزان‌ترین تنظیم

از STT محلی و Edge TTS رایگان استفاده کنید:

local edge

این معمولاً بهترین نقطه شروع است.

مثال فایل محیطی

به ~/.hermes/.env اضافه کنید:

~/.hermes/.env

# گزینه‌های STT ابری (محلی نیازی به کلید ندارد)GROQ_API_KEY=***VOICE_TOOLS_OPENAI_KEY=***# TTS پریمیوم (اختیاری)ELEVENLABS_API_KEY=***

توصیه‌های ارائه‌دهنده

گفتار به متن

local groq openai

متن به گفتار

edge neutts elevenlabs openai mistral

اگر از hermes setup استفاده می‌کنید

hermes setup

اگر NeuTTS را در جادوگر راه‌اندازی انتخاب کنید، Hermes بررسی می‌کند آیا neutts از قبل نصب شده است. اگر وجود نداشته باشد، جادوگر به شما می‌گوید NeuTTS به پکیج Python neutts و پکیج سیستم espeak-ng نیاز دارد، پیشنهاد می‌کند آنها را برای شما نصب کند، espeak-ng را با مدیر پکیج پلتفرم شما نصب می‌کند و سپس اجرا می‌کند:

neutts neutts espeak-ng espeak-ng

python -m pip install -U neutts[all]

اگر آن نصب را رد کنید یا ناموفق باشد، جادوگر به Edge TTS بازمی‌گردد.

مرحله ۵: config توصیه شده

voice:  record_key: "ctrl+b"  max_recording_seconds: 120  auto_tts: false  beep_enabled: true  silence_threshold: 200  silence_duration: 3.0stt:  provider: "local"  local:    model: "base"tts:  provider: "edge"  edge:    voice: "en-US-AriaNeural"

این یک پیش‌فرض خوب محافظه‌کارانه برای اکثر افراد است.

اگر TTS محلی به جای آن می‌خواهید، بلوک tts را به این سوئیچ کنید:

tts

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

کاربرد ۱: حالت صوتی CLI

آن را فعال کنید

Hermes را راه‌اندازی کنید:

hermes

در داخل CLI:

/voice on

جریان ضبط

کلید پیش‌فرض:

Ctrl+B

workflow:

  1. Ctrl+B را فشار دهید
  2. صحبت کنید
  3. منتظر تشخیص سکوت باشید تا ضبط را به طور خودکار متوقف کند
  4. Hermes رونویسی و پاسخ می‌دهد
  5. اگر TTS فعال باشد، پاسخ را بیان می‌کند
  6. حلقه می‌تواند برای استفاده پیوسته به طور خودکار شروع شود

Ctrl+B

دستورات مفید

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

workflowهای خوب CLI

عیب‌یابی در حین راه رفتن

بگویید:

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

سپس بدون دست ادامه دهید:

تحقیق / طوفان فکری

عالی برای:

دسترسی / نشست‌های کم تایپ

اگر تایپ کردن ناراحت‌کننده است، حالت صوتی یکی از سریع‌ترین راه‌ها برای ماندن در حلقه کامل Hermes است.

تنظیم رفتار CLI

آستانه سکوت

اگر Hermes بیش از حد تهاجمی شروع/متوقف می‌شود، تنظیم کنید:

voice:  silence_threshold: 250

آستانه بالاتر = حساسیت کمتر.

مدت سکوت

اگر بین جملات زیاد مکث می‌کنید، افزایش دهید:

voice:  silence_duration: 4.0

کلید ضبط

اگر Ctrl+B با ترمینال یا عادت‌های tmux شما تداخل دارد:

Ctrl+B

voice:  record_key: "ctrl+space"

کاربرد ۲: پاسخ‌های صوتی در Telegram یا Discord

این حالت ساده‌تر از کانال‌های صوتی کامل است.

Hermes یک ربات چت عادی باقی می‌ماند اما می‌تواند پاسخ‌ها را بیان کند.

راه‌اندازی gateway

hermes gateway

فعال کردن پاسخ‌های صوتی

در داخل Telegram یا Discord:

/voice on

یا

/voice tts

حالت‌ها

حالت معنی
off فقط متن
voice_only فقط وقتی کاربر صدا فرستاده بیان کند
all هر پاسخی را بیان کند

off voice_only all

چه زمانی از کدام حالت استفاده کنید

/voice on /voice tts

workflowهای خوب پیام‌رسانی

دستیار Telegram در گوشی شما

وقتی استفاده کنید:

DMهای Discord با خروجی گفتاری

مفید وقتی تعامل خصوصی بدون رفتار mention کانال سرور می‌خواهید.

کاربرد ۳: کانال‌های صوتی Discord

این پیشرفته‌ترین حالت است.

Hermes به یک VC Discord می‌پیوندد، به گفتار کاربران گوش می‌دهد، آن را رونویسی می‌کند، خط لول agent عادی را اجرا می‌کند و پاسخ‌ها را در کانال بیان می‌کند.

دسترسی‌های مورد نیاز Discord

علاوه بر راه‌اندازی متنی عادت ربات، مطمئن شوید ربات دارد:

همچنین intentهای特权‌دار را در Developer Portal فعال کنید:

پیوستن و ترک

در یک کانال متنی Discord که ربات در آن حضور دارد:

/voice join/voice leave/voice status

وقتی می‌پیوندد چه اتفاقی می‌افتد

/voice join

بهترین شیوه‌ها برای استفاده از VC Discord

DISCORD_ALLOWED_USERS

توصیه‌های کیفیت صدا

بهترین تنظیم کیفیت

large-v3 whisper-large-v3

بهترین تنظیم سرعت / راحتی

base

بهترین تنظیم بدون هزینه

حالت‌های خرابی رایج

«No audio device found»

portaudio را نصب کنید.

portaudio

«ربات می‌پیوندد اما چیزی نمی‌شنود»

بررسی کنید:

DISCORD_ALLOWED_USERS

«رونویسی می‌کند اما بیان نمی‌کند»

بررسی کنید:

ffmpeg

«Whisper متن زباله برمی‌گرداند»

امتحان کنید:

silence_threshold

«در DMها کار می‌کند اما در کانال‌های سرور نه»

این اغلب سیاست mention است.

به طور پیش‌فرض، ربات در کانال‌های متنی سرور Discord به @mention نیاز دارد مگر اینکه پیکربندی شده باشد.

@mention

تنظیم هفته اول پیشنهادی

اگر کوتاه‌ترین مسیر موفقیت را می‌خواهید:

  1. Hermes متنی را کارآمد کنید
  2. hermes-agent[voice] را نصب کنید
  3. از حالت صوتی CLI با STT محلی + Edge TTS استفاده کنید
  4. سپس /voice on را در Telegram یا Discord فعال کنید
  5. فقط پس از آن، حالت VC Discord را امتحان کنید

hermes-agent[voice] /voice on

این پیشرفت سطح عیب‌یابی را کوچک نگه می‌دارد.

جایی که باید بعد بخوانید

مرجع ویژگی حالت صوتی دروازه پیام‌رسانی راه‌اندازی Discord راه‌اندازی Telegram پیکربندی ویرایش این صفحه