2026 年 8 月 3 日，Nous Research 发布 Hermes Agent v2026.8.3（The Herald Release）——项目史上最大一次迭代：约 1,400 个 PR、3,650 次提交、650+ 贡献者。最亮眼的是 Voice Mode 从「对讲机」升级成「真对话」：流式 TTS 逐子句播报、开口即可打断（barge-in）、本地唤醒词、VAD 静音感知与幻觉过滤。本教程带你把这个开源语音 Agent 真正跑起来，从配置到调优一条龙。
🧩 本教程适合：装过 Hermes 想升级玩法的用户，以及对「开源实时语音 Agent」感兴趣的人。Hermes 基础安装先读本站《Hermes 零基础装机》；语音 Agent 横向对比可看《OpenAI Realtime 语音智能体》。
先搞懂：Voice Mode 解决了什么？从「对讲机」到「真对话」
此前大多数开源语音 Agent 的交互是「对讲机模式」：你说完 → 等模型处理 → 回放一整段长音频。v0.20 把链路改成实时对话：模型边生成边逐子句播报，你随时可以插话打断，AI 会停下来听你说。三个能力一起构成「自然对话」的体验：
| 能力 | 旧版体验 | v0.20 体验 |
|---|---|---|
| 回复播报 | 整段生成完再播放 | 逐子句流式播放，首音 <1 秒 |
| 打断 | 不能插话，等播完 | 开口即停，模型知道你打断了它 |
| 唤醒 | 手动按键启动 | 本地唤醒词，无需动手 |
| 误触发 | 静音也转录 | VAD 忙碌感知 + 幻觉过滤 |
💡 与厂商原生语音模型（Grok Voice / GPT-Realtime / Qwen Audio）不同，Hermes 的 STT 和 TTS 是可插拔的：模型不锁定供应商，语音层你自己配，还能全离线。
Step 1：升级到 v0.20
1 三种安装方式，按你的环境选
v0.19.x 用户可以直接升，v0.19.1 的补丁已全部并入：
升级命令：
· pip 安装用户：
pip install --upgrade hermes-agent
· Docker 用户：镜像标签更新到 v2026.8.3
· 桌面应用用户：应用内更新 / 重新下载
升级后检查：
· hermes doctor 一键体检
· 确认版本号：hermes --version → v0.20.x
· 重点验证你依赖的功能面（语音/工具/MCP）
——大版本升级后逐项测，别只看「能启动」大版本升级 ≠ 平滑升级：v0.20 合并了约 3,650 次提交，配置项可能有变化。升级后先跑一遍日常任务再投入生产。
Step 2：启用 Voice Mode——默认是关的
2 配置文件开启 + 首次配置 STT 端点
语音功能默认不开启，需要主动配置：
配置要点：
① 在 Hermes 配置文件中启用 voice 模式
② 首次使用需配置 STT（语音转文字）端点
· 支持 OpenAI 兼容接口（如 gpt-transcribe）
· 也支持本地 Whisper（全离线）
③ 在 CLI 或 TUI 中开启语音交互即可对话
最小配置示例（示意，按官方文档为准）：
voice:
enabled: true
stt: whisper_local # 本地 Whisper
tts: edge # 免费 Edge TTS
验证：
· 说一句话，看是否转写正确
· 听回复，确认 TTS 正常播报💡 想零成本开跑：本地 Whisper（STT）+ Edge TTS（TTS）组合完全免费，且全程离线——适合隐私敏感场景。
Step 3：配置 TTS 与唤醒词
3 语音层自由组合，唤醒词完全本地
STT / TTS / 唤醒词三者独立配置，互相不锁死：
STT 选项：
· 本地 Whisper（默认）——全离线，隐私最优
· Whisper API / OpenAI STT —— 云端更准
· Edge STT —— 免费
TTS 选项：
· Edge TTS（默认）——免费，适合原型/内部工具
· OpenAI TTS —— 音质更好
· Google Cloud TTS —— 云生态集成
（换 TTS 只需改一处配置，不影响 Agent 逻辑）
唤醒词：
· Porcupine（本地模型）或自定义 hotword
· 支持开放词汇自定义，如 "hey Hermes"
· 检测完全在本地完成——等待期间
没有任何音频离开你的机器
· 不同唤醒词可路由到不同 profile
· 说 "stop" 可跨所有界面终止语音会话
质量提示：
· Edge TTS 免费但音质一般（适合 Demo）
· 追求质量换 OpenAI TTS 或专用语音模型💡 隐私卖点：唤醒词监听全程本地，只有唤醒后才启动完整 STT 链路——既省 API 额度，又保证「等待时不上传音频」。
Step 4：实测打断与连续对话
4 barge-in、VAD 与幻觉过滤，逐个验收
「真对话」体验的关键在细节，实测清单：
验收项一：打断（barge-in）
· 让 Agent 回答一个问题，说到一半你插话
· 预期：立即停止播报 → 转为倾听 → 结合
你的打断内容继续/调整回复
· 这是级联式语音链路最难做对的一环
验收项二：忙碌感知（VAD）
· 你思考停顿不说话时，AI 不应误触发
· 预期：静音不转写、不抢话
验收项三：幻觉过滤
· 在安静环境测试
· 预期：Whisper 不会把环境静音
转成无意义文本喂给模型
验收项四：连续对话
· 多轮语音往返，中途不手动按键
· 配合唤醒词，模拟「对着电脑说话」的
常驻助手体验打断体验依赖硬件：回声消除差的麦克风/扬声器组合可能让 barge-in 失灵。实测发现异常先检查音频设备，再怀疑配置。
Step 5：跨平台语音——QQ / 飞书 / WhatsApp 都能说
5 从终端走向 IM 渠道
v0.20 把语音能力扩展到了即时通讯渠道：
支持渠道：
· WhatsApp / LINE / QQ / 飞书
· 语音消息转录与回复：收到语音 → 转写 →
模型处理 → TTS 回语音
端到端验证链路（IM 渠道）：
① 发送一条真实语音消息
② 确认转录语言正确
③ 确认模型正确理解并响应
④ 确认返回的语音可播放
（网关显示「在线」≠ 语音链路完整可用，
必须实测整个链路）
配合用法：
· 配合签名 Webhook，任务完成自动推送
· 配合 A2A v1.0，多个 Hermes 实例组网
（一个搜资料、一个跑代码、主 Agent 汇总）💡 v0.20 同期还带来：A2A v1.0 协议（Agent 之间互相发现与通信）、签名出站 Webhook、grounded research 可信引用、工具调用迭代上限从 90 提到 500。语音只是这版最显眼的那块。
Step 6：隐私与质量调优
6 从「能跑」到「好用」的最后一步
按你的场景把语音链路调到位：
隐私优先组合（全离线）：
· 本地 Whisper + 本地 LLM（Ollama/vLLM）
+ Edge TTS —— 音频与推理都不出机器
· 唤醒词本地检测，等待期零上传
质量升级路径：
· STT 不准 → 换 Whisper API / OpenAI STT
· TTS 生硬 → 换 OpenAI TTS / 专用语音模型
· 延迟高 → 检查 TTS 流式配置是否生效
（首音 <1 秒是验收线）
常见坑：
· 静音环境被转录 → 确认幻觉过滤已开启
· 打断失灵 → 查回声消除与麦克风设备
· 唤醒词不灵 → 换短语/调整 Porcupine 灵敏度🎉 小结：Hermes v0.20 把「开源语音 Agent」从能听能说，做成了「能自然对话、能打断、能唤醒、能全离线」的完整体验。配置一句话总结：启用 Voice Mode → 配 STT/TTS → 设唤醒词 → 实测打断 → 按需调质量。想对比商业化语音方案，可回看本站《OpenAI Realtime 语音智能体》。
常见问题速查
| 你的疑问 | 参考答案 |
|---|---|
| Voice Mode 默认开吗？ | 默认关闭，需配置文件启用并配置 STT 端点 |
| 要花多少钱？ | 本地 Whisper + Edge TTS 组合完全免费；云端 STT/TTS 按供应商计费 |
| 能完全离线吗？ | 能：本地 Whisper + 本地 LLM + Edge TTS 全链路不出机器 |
| 唤醒词会监听我吗？ | 检测在本地完成，唤醒前无音频外传 |
| 和 OpenAI Realtime 比怎样？ | Hermes 胜在开源可自托管、语音层可插拔；Realtime 胜在原生端到端模型 |
| v0.19 配置要重写吗？ | 大部分兼容，但建议升级后跑 hermes doctor 并逐项验证 |