1. 为什么语音模式值得折腾从「打字智能体」到「能听会说」Hermes Agent 语音模式简单说就是让智能体在终端和消息平台里都能接收语音输入、返回语音输出把原来纯文本的交互链路升级成能听会说的对话闭环。它适合谁适合已经在用 Hermes Agent 跑任务、但每次都要切窗口打字的人适合想把智能体接到飞书、Slack、Telegram 这类消息平台、让同事直接发语音就能触发任务的人也适合做本地自动化、希望用语音快速记录待办再让 Agent 转写确认的人。但语音模式真正难的不是「打开开关」而是三件事第一语音输入输出的延迟和误识别怎么控制第二终端和消息平台两套通道怎么共用同一个模型入口第三密钥和通道怎么统一管理不至于每个平台配一遍、换一次 Key 就全崩。我实测下来最省事的做法是用 TaoToken 做统一 Key/API 通道Hermes Agent 只认一个 base_url 和一个 key终端和消息平台都走这条通道配置量直接砍半。这篇就按「先跑通终端语音、再跑通消息平台语音、最后双向验证」的顺序来给你可复制的 config.toml、settings.json 骨架和 CC Switch 配置片段。全程不需要你背命令跟着改参数就行。2. 前置准备TaoToken 统一 Key 与 Hermes Agent 环境在动配置之前先把两样东西准备好一个能用的 TaoToken Key一个能跑起来的 Hermes Agent。TaoToken 在这里的角色是统一 API 通道——你不需要为终端、消息平台、语音转写分别申请不同的模型服务全部指向同一个入口即可。2.1 获取 TaoToken Key打开官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后在控制台创建 API Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite Key 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。创建后复制那串 sk- 开头的字符串先存到环境变量里别直接写进配置文件。# 写入当前 shell 会话重启后失效适合先验证 export TAOTOKEN_API_KEYsk-你的key # 确认变量名存在即可不要 echo 出完整值 printenv | grep -o ^TAOTOKEN_API_KEY注意不要把 Key 提交到 Git也不要在日志、截图里露出完整值。后面所有配置都用环境变量引用不硬编码。2.2 确认 Hermes Agent 版本与语音依赖语音模式对版本比较敏感先记录当前版本再对照官方文档确认语音相关子命令是否存在。command -v hermes hermes --version hermes --help | grep -i voice如果--help里没有 voice 相关条目说明当前版本还没带语音模块需要按官方文档升级。语音链路通常还依赖本地音频设备或转写服务终端侧要确认麦克风和扬声器可用# macOS 查看音频输入设备 system_profiler SPAudioDataType | head -20 # Linux 查看 ALSA 设备 arecord -l消息平台侧则要确认你有对应平台的机器人权限比如飞书自建应用的语音消息权限、Telegram Bot 的 voice 消息接收权限。这一步不做后面配置再对也收不到语音。3. 可复制配置config.toml、settings.json 与 CC Switch 片段这一节是全文核心。Hermes Agent 的配置分两层config.toml管模型通道和语音开关settings.json管消息平台接入和语音参数。两者都通过环境变量引用 TaoToken Key保证换 Key 时只改一处。3.1 config.toml 骨架# ~/.hermes/config.toml # 统一模型通道终端与消息平台共用这一段 [provider] name taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY # 对话与转写可指向同一通道按需替换模型名 chat_model claude-sonnet-4-20250514 transcribe_model whisper-1 [voice] enabled true # 终端语音按住说话或唤醒词触发 terminal_input true terminal_output true # 消息平台语音接收语音消息并回复语音 platform_input true platform_output true # 语音输出音色与语速按平台支持情况调整 tts_voice default tts_speed 1.0 # 单次语音最长秒数防止误录长音频 max_record_seconds 30 [voice.stt] # 语音转文字走 TaoToken 通道 provider taotoken language zh # 静音阈值环境嘈杂时调高 silence_threshold 0.02 [voice.tts] provider taotoken format mp3关键点base_url用https://taotoken.net/api不要加 UTM 参数那是给网页链接用的。api_key_env指向环境变量名而不是 Key 本身。3.2 settings.json 骨架消息平台侧{ platforms: { feishu: { enabled: true, app_id_env: FEISHU_APP_ID, app_secret_env: FEISHU_APP_SECRET, voice: { receive: true, reply_with_voice: true, max_duration_sec: 30 } }, telegram: { enabled: false, bot_token_env: TELEGRAM_BOT_TOKEN, voice: { receive: true, reply_with_voice: true } } }, voice_bridge: { provider: taotoken, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, stt_model: whisper-1, tts_model: tts-1 } }voice_bridge这一段是终端和消息平台共用语音能力的桥接配置两个平台都指向同一个 TaoToken 通道避免重复配 Key。3.3 CC Switch 配置片段如果你用 CC Switch 管理多个模型通道可以加一个 TaoToken 的 profile切换时不用改 Hermes 配置{ profiles: [ { name: taotoken-hermes, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, models: { chat: claude-sonnet-4-20250514, stt: whisper-1, tts: tts-1 }, tags: [hermes, voice] } ] }CC Switch 的作用是让你在多个通道之间快速切换Hermes 侧只认当前激活的 profile。这样测试不同模型对语音转写准确率的影响时不用反复改 config.toml。3.4 参数对照表参数作用建议值踩坑提示base_url统一 API 入口https://taotoken.net/api不要带 UTM 参数api_key_envKey 环境变量名TAOTOKEN_API_KEY不要写 Key 本身max_record_seconds单次录音上限30太长易误识别silence_threshold静音判定0.02嘈杂环境调高tts_speed语速1.0超过 1.3 听不清reply_with_voice语音回复true消息平台需权限4. 验证请求终端与消息平台双向语音跑通配置写完不算完要分别验证终端侧和消息平台侧的「能听」和「会说」。4.1 终端侧语音验证先启动 Hermes 的语音模式确认它加载了 TaoToken 通道# 启动语音模式观察启动日志里的 provider 与 base_url hermes voice --config ~/.hermes/config.toml启动日志里应该能看到类似providertaotoken base_urlhttps://taotoken.net/api的输出。如果显示的是别的通道说明 config.toml 没被读到检查路径和 TOML 语法。然后对着麦克风说一句「帮我记录一条待办明天十点开会」观察终端是否出现转写文本和 Agent 的语音回复。成功的话你会看到[STT] 帮我记录一条待办明天十点开会 [Agent] 已记录明天十点开会。需要我设置提醒吗 [TTS] 已生成语音回复时长 3.2s如果只出文本不出语音检查terminal_output是否为 true以及系统扬声器是否被其他程序占用。4.2 消息平台侧语音验证以飞书为例把机器人拉进测试群发一条语音消息。Hermes 侧日志应出现[Platform] feishu voice message received, duration4.1s [STT] 转写结果今天下午的进度同步一下 [Agent] 处理中... [TTS] 语音回复已发送群里应该收到一条语音回复。如果收到的是文字而不是语音检查reply_with_voice和平台是否授予了发送语音消息的权限。4.3 双向链路验证清单验证项终端侧消息平台侧通过标准语音输入说话有转写发语音有转写转写文本与说话内容一致语音输出有语音回复收到语音消息语音可播放、内容正确通道一致日志显示 taotoken日志显示 taotokenbase_url 相同延迟可接受 3s 5s超过则检查网络与模型5. 本篇常见错排查语音模式跑不通八成是下面几个问题。我按现象、原因、解决列出来你对号入座。现象一启动报provider not found或401。原因是api_key_env指向的环境变量没生效或者 Key 无效。排查printenv | grep TAOTOKEN确认变量存在再确认 Key 没有多余空格。不要 echo 完整 Key。现象二终端能听不能说。检查terminal_output是否为 true以及 TTS 模型名是否在 TaoToken 通道支持列表里。有些模型名写错不会报错只是静默失败看日志里有没有[TTS]行。现象三消息平台收不到语音。多半是平台权限没开。飞书要在应用后台勾选「接收语音消息」和「发送语音消息」Telegram 要在 BotFather 里确认没禁用 voice。权限没开时平台侧根本不会把语音推给 Hermes。现象四转写准确率低。先调silence_threshold环境嘈杂时调高到 0.03–0.05再确认language设成zh如果还差换transcribe_model试不同模型。语音转写对采样率敏感终端麦克风采样率太低也会影响。现象五语音回复延迟高。通常是 TTS 生成慢或网络绕路。先看日志里 STT 和 TTS 各自耗时如果 TTS 占大头换更轻的tts_model如果 STT 慢检查音频时长是否超过max_record_seconds。现象六换 Key 后全部失效。说明有地方硬编码了 Key。全局搜一下配置文件里有没有sk-开头的字符串全部改成环境变量引用。CC Switch 的 profile 也要检查。提示排障时优先看 Hermes 启动日志和平台侧回调日志两边时间戳对不上就说明消息没到 Hermes问题在平台权限而不是模型通道。6. 把语音链路接进你的日常工作流跑通之后下一步是让它真正省事。我的做法是终端侧用语音快速记录待办和临时想法消息平台侧让同事直接发语音触发查询类任务两条链路共用 TaoToken 通道Key 只维护一份。如果你要长期跑编码类或 Agent 类任务建议把通道固定下来用 Coding Plan 管理额度与模型切换https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。想先单独验证模型对话效果可以直接在模型对话页试https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置项有疑问时对照文档比搜过期教程靠谱。语音模式的价值不在于炫技而在于把「想到就说」和「说完就执行」之间的摩擦降到最低。你先把终端侧跑通再扩到消息平台每加一个平台就复用同一套通道配置维护成本不会随平台数量线性增长。