Modo de voz

O Hermes Agent tem interação por voz completa, na CLI e nas plataformas de mensagem. Fale com o agente pelo microfone, ouça as respostas e converse ao vivo em canais de voz do Discord.

Se você quer um passo a passo prático, com configurações recomendadas e padrões de uso reais, veja Usar o Modo de Voz.

Para começar uma sessão sem as mãos — dizendo "hey hermes" (ou outra frase) para abrir uma sessão de voz na CLI, na TUI ou no desktop — veja Palavra de Ativação.

Pré-requisitos

Antes de usar voz, garanta que você tem:

1. O Hermes Agent instalado — pelo script de instalação (veja Instalação)
2. Um provedor de LLM configurado — rode hermes model, ou coloque as credenciais em ~/.hermes/.env
3. Uma instalação básica funcionando — rode hermes e confirme que o agente responde por texto antes de ligar a voz

dica

O diretório ~/.hermes/ e o config.yaml padrão são criados sozinhos na primeira vez que você roda o hermes. Só o ~/.hermes/.env precisa ser criado na mão, para as chaves de API.

O Nous Portal cobre os dois

Uma assinatura paga do Nous Portal fornece o modelo (passo 2) e a síntese de voz da OpenAI pelo Tool Gateway — sem chave separada. Numa instalação nova, o hermes setup --portal liga os dois de uma vez.

Visão geral

Recurso	Onde	Descrição
Voz interativa	CLI	Aperte Ctrl+B para gravar; o agente detecta o silêncio sozinho e responde
Resposta falada automática	Telegram, Discord	O agente manda áudio junto com a resposta em texto
Canal de voz	Discord	O bot entra no canal, escuta quem fala e responde falando

Requisitos

Pacotes Python

# Modo de voz na CLI (microfone e reprodução de áudio)
cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

# Discord e Telegram (inclui discord.py[voice], para canal de voz)
cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

# Síntese de voz premium (ElevenLabs)
cd ~/.hermes/hermes-agent && uv pip install -e ".[tts-premium]"

# Síntese de voz local (NeuTTS, opcional)
python -m pip install -U neutts[all]

# Tudo de uma vez
cd ~/.hermes/hermes-agent && uv pip install -e ".[all]"

Extra	Pacotes	Necessário para
voice	sounddevice, numpy	Modo de voz na CLI
messaging	discord.py[voice], python-telegram-bot, aiohttp	Bots de Discord e Telegram
tts-premium	elevenlabs	Provedor de voz ElevenLabs

Provedor local opcional: instale o neutts à parte, com python -m pip install -U neutts[all]. No primeiro uso, ele baixa o modelo sozinho.

informação

O discord.py[voice] instala o PyNaCl (para a criptografia de voz) e as ligações do opus sozinho. Isso é necessário para canais de voz no Discord.

Dependências de sistema

# macOS
brew install portaudio ffmpeg opus
brew install espeak-ng   # para o NeuTTS

# Ubuntu e Debian
sudo apt install portaudio19-dev ffmpeg libopus0
sudo apt install espeak-ng   # para o NeuTTS

Dependência	Para que serve	Necessária em
PortAudio	Entrada de microfone e reprodução	Modo de voz na CLI
ffmpeg	Conversão de formato (MP3 para Opus, PCM para WAV)	Todas as plataformas
Opus	Codec de voz do Discord	Canais de voz do Discord
espeak-ng	Motor de fonemização	Provedor local NeuTTS

Chaves de API

Acrescente em ~/.hermes/.env:

# Transcrição — o provedor local NÃO precisa de chave nenhuma
# pip install faster-whisper          # gratuito, roda local, recomendado
GROQ_API_KEY=sua-chave                # Whisper da Groq — rápido, com camada gratuita (nuvem)
VOICE_TOOLS_OPENAI_KEY=sua-chave      # Whisper da OpenAI — pago (nuvem)

# Síntese de voz (opcional — Edge TTS e NeuTTS funcionam sem chave)
ELEVENLABS_API_KEY=***           # ElevenLabs — qualidade premium
# a VOICE_TOOLS_OPENAI_KEY acima também habilita a síntese da OpenAI

dica

Com o faster-whisper instalado, o modo de voz funciona com zero chave de API na transcrição. O modelo (cerca de 150 MB, no tamanho base) baixa sozinho no primeiro uso.

---

Modo de voz na CLI

O modo de voz existe tanto na CLI clássica (hermes chat) quanto na TUI (hermes --tui). O comportamento é idêntico — mesmos comandos de barra, mesma detecção de silêncio, mesma síntese em tempo real, mesmo filtro de alucinação. A TUI ainda manda logs de falha para ~/.hermes/logs/, para problemas de gravação em placas de áudio exóticas serem reportados com pilha completa, em vez de sumirem em silêncio.

Começando

hermes                # abre a CLI interativa

Depois, dentro da CLI:

/voice          liga e desliga o modo de voz
/voice on       liga
/voice off      desliga
/voice tts      liga e desliga a leitura em voz alta
/voice status   mostra o estado atual

Como funciona

1. Abra a CLI com hermes e ligue a voz com /voice on
2. Aperte Ctrl+B — um bipe toca (880 Hz) e a gravação começa
3. Fale — uma barra ao vivo mostra o nível da sua voz: ● [▁▂▃▅▇▇▅▂] ❯
4. Pare de falar — depois de 3 segundos de silêncio, a gravação para sozinha
5. Dois bipes tocam (660 Hz), confirmando o fim da gravação
6. O áudio é transcrito pelo Whisper e enviado ao agente
7. Com a leitura em voz alta ligada, a resposta é falada
8. A gravação recomeça sozinha — fale de novo, sem apertar tecla nenhuma

O laço segue até você apertar Ctrl+B durante uma gravação (o que sai do modo contínuo), ou até três gravações seguidas não detectarem fala.

dica

A tecla de gravação é configurável em voice.record_key, no ~/.hermes/config.yaml (padrão: ctrl+b).

Detecção de silêncio

Um algoritmo de duas etapas percebe quando você terminou de falar:

1. Confirmação de fala — espera áudio acima do limiar de RMS (200) por pelo menos 0,3 segundo, tolerando quedas breves entre sílabas
2. Detecção do fim — confirmada a fala, dispara depois de 3 segundos de silêncio contínuo

Se nenhuma fala for detectada por 15 segundos, a gravação para sozinha.

O silence_threshold e o silence_duration são configuráveis no config.yaml. Também dá para desligar os bipes com voice.beep_enabled: false.

Encerrar uma conversa por voz, falando

Diga "stop" — e nada mais — para encerrar sem as mãos. A comparação é estrita de propósito: a fala inteira (sem diferenciar maiúsculas, ignorando pontuação nas pontas) precisa ser igual a uma frase configurada. Então "stop doing that and try X instead" ainda chega ao agente normalmente. Personalize a lista com voice.stop_phrases, no config.yaml (por exemplo, ["stop", "goodbye hermes"]), ou coloque [] para desligar. Uma conversa por voz também termina sozinha depois de três ciclos seguidos de silêncio.

Digitar uma frase de parada sozinha, com a conversa por voz ativa, funciona igual em todas as superfícies (CLI, TUI, desktop): a mensagem encerra a conversa por voz em vez de ir para o agente. Fora de uma conversa por voz, um "stop" digitado é uma mensagem comum.

Síntese em tempo real

Com a leitura em voz alta ligada, o agente fala a resposta frase a frase, conforme gera o texto — você não espera a resposta inteira. Isso funciona com todos os provedores de voz:

1. Junta os pedaços de texto em frases completas (mínimo de 20 caracteres)
2. Tira a formatação markdown, os emojis e os blocos <think>
3. Toca o áudio de cada frase em tempo real — provedores com API de PCM em pedaços (ElevenLabs, OpenAI) transmitem áudio cru, para o menor tempo até a primeira palavra; os demais (incluindo o Edge, que é o padrão) sintetizam e tocam cada frase quando ela fica pronta

O mesmo caminho roda na CLI clássica, na TUI e no desktop. Numa conversa de voz no desktop, o texto da resposta é alimentado ao vivo num WebSocket de fala, por resposta, conforme o modelo gera — então a fala se sobrepõe à geração, com um socket e um relógio de áudio por resposta, sem intervalo entre frases.

Desktop remoto: voz direto do cliente

Quando o Hermes Desktop está ligado a um gateway remoto, o áudio não precisa passar pelo gateway. No início da sessão de voz, o desktop busca as configurações de transcrição e síntese resolvidas do perfil ativo (provedor, modelo, idioma, voz e credencial) pelo canal REST autenticado (GET /api/audio/voice-config) e então chama os provedores direto:

• Ditado e entrada de voz: a gravação do microfone vai do seu computador direto ao provedor de transcrição do perfil; só o texto resultante vai para o gateway, como prompt.
• Respostas faladas: o texto da resposta já está chegando ao desktop pelo socket de conversa, então o desktop sintetiza localmente com o provedor do perfil e toca — a ligação com o gateway nunca carrega áudio.

Não há nada a configurar no cliente: o perfil com que você está falando é a única fonte de verdade para provedores e chaves, exatamente como se o gateway tivesse feito o trabalho. As chaves ficam na memória do desktop só durante a sessão — nunca vão para o disco do cliente.

Provedores que só rodam na máquina do gateway (whisper local, Edge TTS, provedores por comando, plugins) voltam sozinhos ao caminho de repasse (/api/audio/transcribe e o WebSocket de fala), assim como qualquer backend antigo sem esse endpoint. Para forçar o repasse em todos os provedores:

voice:
  client_direct: false

Suporte direto do cliente: OpenAI (inclusive o áudio gerenciado pela Nous), Groq, Mistral e DeepInfra pelos formatos compatíveis com a OpenAI, transcrição do Grok da xAI, e transcrição e síntese da ElevenLabs. A xAI configurada por OAuth continua no repasse (o token OAuth é renovado do lado do servidor).

Interromper falando por cima

Você pode interromper o agente em qualquer ponto do turno — o microfone fica ligado desde o momento em que você termina de falar até a resposta terminar de tocar:

• Intervir enquanto ele pensa — no modo contínuo, falar durante a geração (antes de qualquer áudio tocar) interrompe o turno em andamento, e a sua fala vira a mensagem seguinte, igual a digitar por cima de um turno em execução.
• Falar por cima — falar enquanto a resposta toca corta a reprodução no instante em que você começa, e envia o que você disse. O detector calibra o nível de ruído contra a sala em silêncio no início do turno (nunca contra a própria reprodução), então o som do alto-falante não o ensurdece, e a fala normal o dispara com confiança.
• Digitar, ou apertar a tecla de gravação — mandar uma mensagem nova ou apertar a tecla para a reprodução na hora, em qualquer superfície.
• Dizer "stop" — a frase de parada funciona nas duas fases: durante a geração, ela interrompe o turno E encerra a conversa por voz; durante a reprodução, corta a fala e encerra a conversa.

Ajuste no config.yaml: voice.barge_in: false desliga; voice.barge_in_threshold_multiplier (padrão 3.0) escala o gatilho de fala sobre o nível da sala em silêncio; voice.barge_in_grace_seconds (padrão 0.5) evita disparos logo depois de a reprodução começar. Defina HERMES_VOICE_DEBUG=1 para mandar o diagnóstico por bloco (nível calibrado, RMS, decisões de disparo) para a saída de erro, e ajustar ao vivo.

O agente sabe que foi interrompido: a mensagem seguinte carrega uma nota curta avisando que a resposta falada foi cortada, então ele pode reagir com naturalidade ("que grosseria!") ou retomar de onde parou, em vez de ficar por fora.

Filtro de alucinação

O Whisper às vezes inventa texto a partir de silêncio ou de ruído de fundo ("Thank you for watching", "Subscribe" e afins). O agente filtra isso com um conjunto de 26 frases conhecidas de alucinação, em vários idiomas, mais uma expressão regular que pega as variações repetitivas.

---

Resposta falada no gateway (Telegram e Discord)

Se você ainda não configurou seus bots, veja os guias de cada plataforma:

• Telegram
• Discord

Suba o gateway para conectar às plataformas:

hermes gateway        # sobe o gateway (conecta nas plataformas configuradas)
hermes gateway setup  # assistente interativo, para a primeira configuração

Discord: canais e mensagens diretas

O bot suporta dois modos de interação no Discord:

Modo	Como falar	Precisa mencionar	Configuração
Mensagem direta	Abra o perfil do bot → "Message"	Não	Funciona de imediato
Canal do servidor	Escreva num canal de texto onde o bot está	Sim (@nomedobot)	O bot precisa ser convidado para o servidor

Mensagem direta (recomendada para uso pessoal): abra uma conversa com o bot e escreva — sem menção. Respostas faladas e todos os comandos funcionam igual.

Canais do servidor: o bot só responde quando é mencionado (@hermesbyt4 olá). Confira que você selecionou o usuário do bot na lista de menção, e não o cargo de mesmo nome.

dica

Para tirar a exigência de menção nos canais, acrescente em ~/.hermes/.env:

DISCORD_REQUIRE_MENTION=false

Ou libere canais específicos:

DISCORD_FREE_RESPONSE_CHANNELS=123456789,987654321

Comandos

Valem no Telegram e no Discord (mensagens diretas e canais):

/voice          liga e desliga o modo de voz
/voice on       responde falando só quando você manda áudio
/voice tts      responde falando em TODAS as mensagens
/voice off      desliga as respostas faladas
/voice status   mostra a configuração atual

Modos

Modo	Comando	Comportamento
off	/voice off	Só texto (padrão)
voice_only	/voice on	Fala a resposta só quando você manda áudio
all	/voice tts	Fala a resposta de toda mensagem

A escolha sobrevive a reinícios do gateway.

Entrega por plataforma

Plataforma	Formato	Observações
Telegram	Bolha de voz (Opus/OGG)	Toca dentro da conversa. O ffmpeg converte MP3 para Opus, se preciso
Discord	Bolha de voz nativa (Opus/OGG)	Toca como uma mensagem de voz de pessoa. Se a API de bolha falhar, cai para anexo

---

Canais de voz do Discord

O recurso de voz mais imersivo: o bot entra num canal de voz, escuta quem fala, transcreve, processa pelo agente e fala a resposta no canal.

Configuração

1. Permissões do bot

Se você já tem um bot de Discord para texto (veja o guia do Discord), precisa acrescentar permissões de voz.

Vá no Portal de Desenvolvedores do Discord → sua aplicação → Installation → Default Install Settings → Guild Install.

Acrescente às permissões de texto que já existem:

Permissão	Para que serve	Obrigatória
Connect	Entrar em canais de voz	Sim
Speak	Tocar o áudio no canal	Sim
Use Voice Activity	Detectar quem está falando	Recomendada

Inteiro de permissões atualizado:

Nível	Inteiro	O que inclui
Só texto	309237763136	Ver canais, enviar mensagens, ler histórico, embeds, anexos, tópicos, reações, criar tópicos públicos
Texto e voz	309240908864	Tudo acima, mais Connect e Speak

Convide o bot de novo, com a URL de permissões atualizada:

https://discord.com/oauth2/authorize?client_id=SEU_APP_ID&scope=bot+applications.commands&permissions=309240908864

Troque SEU_APP_ID pelo Application ID do portal.

aviso

Convidar de novo um bot que já está no servidor atualiza as permissões dele, sem removê-lo. Você não perde dado nem configuração.

2. Intenções privilegiadas

No portal → sua aplicação → Bot → Privileged Gateway Intents, habilite as três:

Intenção	Para que serve
Presence Intent	Detectar se a pessoa está online
Server Members Intent	Resolver nomes de usuário em DISCORD_ALLOWED_USERS para identificadores numéricos (condicional)
Message Content Intent	Ler o conteúdo das mensagens de texto

A Message Content Intent é obrigatória. A Server Members Intent só é necessária se a sua lista DISCORD_ALLOWED_USERS usa nomes de usuário — com identificadores numéricos, pode deixar desligada. O mapeamento de SSRC para identificador, nos canais de voz, vem do opcode SPEAKING do WebSocket de voz e não precisa dessa intenção.

3. Codec Opus

A biblioteca do codec Opus precisa estar instalada na máquina que roda o gateway:

# macOS (Homebrew)
brew install opus

# Ubuntu e Debian
sudo apt install libopus0

O bot carrega o codec sozinho, de:

• macOS: /opt/homebrew/lib/libopus.dylib
• Linux: libopus.so.0

4. Variáveis de ambiente

# ~/.hermes/.env

# Bot do Discord (já configurado para texto)
DISCORD_BOT_TOKEN=seu-token
DISCORD_ALLOWED_USERS=seu-id

# Transcrição — o provedor local não precisa de chave (pip install faster-whisper)
# GROQ_API_KEY=sua-chave            # alternativa na nuvem, rápida, com camada gratuita

# Síntese — opcional. Edge TTS e NeuTTS não precisam de chave.
# ELEVENLABS_API_KEY=***      # qualidade premium
# VOICE_TOOLS_OPENAI_KEY=***  # síntese e transcrição da OpenAI

Subir o gateway

hermes gateway        # sobe com a configuração existente

O bot deve ficar online no Discord em alguns segundos.

Comandos

Use no canal de texto onde o bot está:

/voice join      o bot entra no seu canal de voz atual
/voice channel   apelido de /voice join
/voice leave     o bot sai do canal de voz
/voice status    mostra o modo de voz e o canal conectado

informação

Você precisa estar num canal de voz antes de rodar o /voice join. O bot entra no mesmo canal em que você está.

Como funciona

Quando entra num canal de voz, o bot:

1. Escuta o fluxo de áudio de cada pessoa, de forma independente
2. Detecta o silêncio — 1,5 segundo de silêncio depois de pelo menos 0,5 segundo de fala dispara o processamento
3. Transcreve o áudio pelo Whisper (local, Groq ou OpenAI)
4. Processa pelo caminho completo do agente (sessão, ferramentas, memória)
5. Fala a resposta no canal

Integração com o canal de texto

Com o bot num canal de voz:

• As transcrições aparecem no canal de texto: [Voice] @pessoa: o que você disse
• As respostas do agente vão como texto no canal E são faladas no canal de voz
• O canal de texto é aquele em que o /voice join foi dado

Prevenção de eco

O bot pausa sozinho o ouvinte de áudio enquanto toca as respostas faladas, para não ouvir e reprocessar a própria saída.

Controle de acesso

Só quem está em DISCORD_ALLOWED_USERS interage por voz. O áudio das outras pessoas é ignorado em silêncio.

# ~/.hermes/.env
DISCORD_ALLOWED_USERS=284102345871466496

---

Referência de configuração

config.yaml

# Gravação de voz (CLI)
voice:
  record_key: "ctrl+b"            # tecla para começar e parar a gravação
  max_recording_seconds: 120       # duração máxima
  auto_tts: false                  # liga a leitura em voz alta junto com o modo de voz
  beep_enabled: true               # toca os bipes de início e fim
  silence_threshold: 200           # nível de RMS (0 a 32767) abaixo do qual conta como silêncio
  silence_duration: 3.0            # segundos de silêncio antes de parar sozinho
  stop_phrases: ["stop"]           # dizer exatamente uma destas encerra a conversa; [] desliga

# Transcrição
stt:
  enabled: true                     # false pula a transcrição automática — o gateway
                                    # ainda guarda o arquivo de áudio e passa o caminho
                                    # ao agente junto da mensagem, útil para fluxos
                                    # próprios (diarização, alinhamento, arquivamento)
  provider: "local"                  # "local" (gratuito) | "groq" | "openai" | "mistral" | "xai"
  local:
    model: "base"                    # tiny, base, small, medium, large-v3
    language: ""                     # dica ISO-639-1 opcional; vazio usa HERMES_LOCAL_STT_LANGUAGE, senão detecta
  groq:
    language: ""                     # dica ISO-639-1 opcional; vazio usa HERMES_LOCAL_STT_LANGUAGE, senão detecta
  # model: "whisper-1"              # legado: usado quando não há provider

# Síntese de voz
tts:
  provider: "edge"                 # "edge" (gratuito) | "elevenlabs" | "openai" | "neutts" | "minimax" | "mistral" | "gemini" | "xai" | "kittentts" | "piper"
  edge:
    voice: "pt-BR-FranciscaNeural" # 322 vozes, 74 idiomas
  elevenlabs:
    voice_id: "pNInz6obpgDQGcFmaJgB"    # Adam
    model_id: "eleven_multilingual_v2"
  openai:
    model: "gpt-4o-mini-tts"
    voice: "alloy"                 # alloy, echo, fable, onyx, nova, shimmer
    base_url: "https://api.openai.com/v1"  # opcional: para endpoints próprios ou compatíveis
    # A ferramenta `text_to_speech` aceita um argumento opcional `instructions`
    # por chamada (tom, emoção, ritmo, sotaque, sussurro), repassado ao
    # `gpt-4o-mini-tts` e a servidores de desenho de voz compatíveis com a OpenAI.
  neutts:
    ref_audio: ''
    ref_text: ''
    model: neuphonic/neutts-air-q4-gguf
    device: cpu

Vozes em português

O Edge TTS tem vozes brasileiras nativas — pt-BR-FranciscaNeural, pt-BR-AntonioNeural e pt-BR-ThalitaNeural, entre outras. É gratuito e não precisa de chave. Para a transcrição em português, o Whisper local detecta o idioma sozinho, mas fixar language: "pt" melhora a precisão e a velocidade.

Variáveis de ambiente

# Transcrição (o local não precisa de chave)
# pip install faster-whisper        # transcrição local gratuita, sem chave
GROQ_API_KEY=...                    # Whisper da Groq (rápido, camada gratuita)
VOICE_TOOLS_OPENAI_KEY=...          # Whisper da OpenAI (pago)

# Ajustes avançados de transcrição (opcionais)
STT_GROQ_MODEL=whisper-large-v3-turbo    # troca o modelo padrão da Groq
STT_OPENAI_MODEL=whisper-1               # troca o modelo padrão da OpenAI
GROQ_BASE_URL=https://api.groq.com/openai/v1     # endpoint próprio da Groq
STT_OPENAI_BASE_URL=https://api.openai.com/v1    # endpoint próprio da OpenAI

# Síntese (Edge TTS e NeuTTS não precisam de chave)
ELEVENLABS_API_KEY=***             # ElevenLabs (qualidade premium)
# a VOICE_TOOLS_OPENAI_KEY acima também habilita a síntese da OpenAI

# Canal de voz do Discord
DISCORD_BOT_TOKEN=...
DISCORD_ALLOWED_USERS=...

Comparação dos provedores de transcrição

Provedor	Modelo	Velocidade	Qualidade	Custo	Precisa de chave
Local	base	Rápido (depende do processador)	Boa	Grátis	Não
Local	small	Médio	Melhor	Grátis	Não
Local	large-v3	Lento	A melhor	Grátis	Não
Groq	whisper-large-v3-turbo	Muito rápido (~0,5s)	Boa	Camada gratuita	Sim
Groq	whisper-large-v3	Rápido (~1s)	Melhor	Camada gratuita	Sim
OpenAI	whisper-1	Rápido (~1s)	Boa	Pago	Sim
OpenAI	gpt-4o-transcribe	Médio (~2s)	A melhor	Pago	Sim
OpenAI	gpt-transcribe	Rápido	A melhor	Pago (US$ 0,0045/min)	Sim
Mistral	voxtral-mini-latest	Rápido	Boa	Pago	Sim
xAI	grok-stt	Rápido	Boa	Pago	Sim

Ordem de prioridade, com recuo automático: local > groq > openai.

Comparação dos provedores de síntese

Provedor	Qualidade	Custo	Espera	Precisa de chave
Edge TTS	Boa	Grátis	~1s	Não
ElevenLabs	Excelente	Pago	~2s	Sim
OpenAI TTS	Boa	Pago	~1,5s	Sim
NeuTTS	Boa	Grátis	Depende do processador	Não

O NeuTTS usa o bloco tts.neutts acima.

No openai, a ferramenta text_to_speech aceita o argumento opcional instructions, que libera o desenho de voz do gpt-4o-mini-tts (tom, emoção, ritmo, sotaque, sussurro). O mesmo campo também chega a servidores de desenho de voz compatíveis com a OpenAI, montados por tts.openai.base_url.

---

Resolução de problemas

"No audio device found" (CLI)

O PortAudio não está instalado:

brew install portaudio            # macOS
sudo apt install portaudio19-dev  # Ubuntu

Se você roda o Hermes dentro do Docker num desktop Linux, o container também precisa de acesso ao socket de áudio do sistema. Veja as notas da ponte de áudio no Docker para uma configuração compatível com PulseAudio e PipeWire.

O bot não responde nos canais do servidor no Discord

Por padrão, ele exige menção nos canais. Confira se você:

1. Digitou @ e escolheu o usuário do bot (com o discriminador), e não o cargo de mesmo nome
2. Ou use mensagem direta — sem menção
3. Ou defina DISCORD_REQUIRE_MENTION=false no ~/.hermes/.env

O bot entra no canal de voz mas não me ouve

• Confira se o seu identificador do Discord está em DISCORD_ALLOWED_USERS
• Confira se você não está mudo no Discord
• O bot precisa de um evento SPEAKING do Discord para mapear o seu áudio — comece a falar poucos segundos depois de ele entrar

O bot me ouve mas não responde

• Confirme que a transcrição está disponível: instale o faster-whisper (sem chave) ou defina GROQ_API_KEY ou VOICE_TOOLS_OPENAI_KEY
• Confira se o modelo está configurado e acessível
• Veja os logs: tail -f ~/.hermes/logs/gateway.log

O bot responde em texto, mas não no canal de voz

• O provedor de síntese pode estar falhando — confira chave e cota
• O Edge TTS (gratuito, sem chave) é o recuo padrão
• Procure erros de síntese nos logs

O Whisper devolve texto sem sentido

O filtro de alucinação pega a maioria dos casos. Se ainda aparecerem transcrições fantasma:

• Use um ambiente mais silencioso
• Aumente o silence_threshold na configuração (mais alto = menos sensível)
• Experimente outro modelo de transcrição