Controllo vocale di Hermes dal tuo telefono

Hai già chiacchierato con Hermes Agent dal tuo telefono usando il testo. Ora vuoi parlarci direttamente e ricevere risposte vocali. Questa è solitamente la mossa giusta, soprattutto se utilizzi già Hermes come assistente self-hosted persistente. Digitare prompt lunghi su uno schermo piccolo è lento e soggetto a errori.

La modalità vocale rende Hermes pratico nei momenti in cui conta di più: mentre si cammina, si è in viaggio o si svolgono lavori amministrativi lontano dalla scrivania.

La buona notizia è che la modalità vocale può funzionare senza API a pagamento. Un modello locale di faster-whisper gestisce la trascrizione, mentre Edge TTS gestisce l’output vocale gratuitamente. Questa guida copre la configurazione, la scelta dei provider, le differenze tra piattaforme, pattern comandi pratici e le modalità di errore che solitamente bloccano gli utenti per la prima volta.

Come Funziona la Pipeline

Tre fasi, niente magia:

1. Trascrizione STT — Il tuo messaggio vocale diventa testo.
2. Ragionamento — Hermes elabora quel testo esattamente come una richiesta digitata.
3. Sintesi TTS — Il testo di risposta viene convertito nuovamente in audio.

La distinzione importante rispetto agli assistenti consumer è la profondità di esecuzione. Hermes non si limita a rispondere a domande di trivia. Può chiamare strumenti, ispezionare file, eseguire percorsi di codice e continuare lavori multi-step dalla memoria. In pratica, questo significa che la voce può attivare flussi di lavoro reali come il triage degli incidenti, la generazione di bozze e il debug mirato. Se desideri un contesto sull’architettura più ampia, il pilastro Sistemi AI spiega come questo layer vocale si integra nell’infrastruttura degli agenti locali.

Per Cosa È Ottimo il Controllo Vocale

Usa la modalità vocale quando la precisione della tastiera non è ancora richiesta:

• Controlli operativi mentre sei lontano dal tuo laptop.
• Cattura di idee per bozze, schemi e specifiche preliminari.
• Triage rapido di alert ed errori prima di un follow-up approfondito sul desktop.
• Flussi di lavoro con mani occupate dove parlare è l’unico canale di input realistico.

Input Vocale: Scegli un Provider STT

Configurazione in ~/.hermes/config.yaml:

stt:
  enabled: true
  provider: local
  local:
    model: base  # tiny, base, small, medium, large-v3

Inizia con local. Funziona immediatamente, gestisce il parlato multilingue e non aggiunge costi ricorrenti. Passa a Groq o OpenAI solo se la tua configurazione locale non riesce a soddisfare i tuoi requisiti di latenza o accuratezza. Per la configurazione a livello di comando e la diagnostica durante il test dei provider, tieni vicina la scheda rapida della CLI di Hermes.

Selezione del Modello Faster Whisper

Usa una progressione semplice:

• tiny per dispositivi a consumo energetico molto basso dove la velocità è la priorità.
• base come bilanciamento predefinito per laptop e server piccoli.
• small quando accenti, ambienti rumorosi o termini di dominio riducono l’accuratezza.
• medium o large-v3 quando la qualità è critica e il budget hardware è più alto.

Se le tue trascrizioni sono costantemente errate, aumenta prima la dimensione del modello prima di aggiungere complessità al prompt.

Output Vocale: Provider TTS

Configurazione:

tts:
  provider: "edge"
  speed: 1.0

  edge:
    voice: "en-US-AriaNeural"

Un dettaglio critico è il formato di output. Le bolle vocali di Telegram sono più affidabili quando l’audio è codificato come OGG con Opus. Hermes si affida a ffmpeg per queste conversioni nelle configurazioni comuni. Se ffmpeg manca, le risposte spesso appaiono come allegati file invece che come bolle vocali inline.

Installa ffmpeg precocemente:

sudo apt install ffmpeg  # Ubuntu/Debian
brew install ffmpeg       # macOS

Flussi di Lavoro Piattaforma e Differenze Pratiche

Telegram

Telegram è il posto più semplice per iniziare. I messaggi vocali sono di prima classe su mobile e il ciclo di interazione è semplice: tieni premuto, parla, rilascia, ricevi.

Configurazione:

# 1. Crea un bot tramite @BotFather, ottieni il tuo token
# 2. Aggiungi a ~/.hermes/.env:
TELEGRAM_BOT_TOKEN=***
TELEGRAM_ALLOWED_USERS=your_user_id

# 3. Avvia il gateway
hermes gateway start

Apri poi la chat di Hermes, tocca il microfono e parla. Se STT e TTS sono abilitati, Hermes trascriverà la tua richiesta, la eseguirà e invierà una risposta vocale.

Discord

Discord supporta due modalità utili. I messaggi vocali nelle DM o nei canali sono vicini al comportamento di Telegram.

L’opzione più avanzata sono i canali vocali live. In quel flusso, Hermes può partecipare continuamente, trascrivendo il parlato e rispondendo senza bolle di messaggio esplicite.

Requisiti:

• Intent “Message Content” abilitato nelle impostazioni del bot
• Intent “Server Members” abilitato
• Permessi bot: Connect e Speak

Signal

Signal funziona tramite il daemon signal-cli. I messaggi vocali utilizzano comunque la stessa pipeline STT e TTS di Hermes.

Un pattern utile è eseguire signal-cli come dispositivo collegato e utilizzare “Signal Note to Self” (Nota a se stesso). Puoi lasciarti una nota vocale e ricevere l’output di Hermes nello stesso thread.

WhatsApp

WhatsApp segue lo stesso modello di gateway. I messaggi audio vengono trascritti automaticamente una volta configurato il connector.

Permessi App Mobile

Sia iOS che Android richiedono l’accesso al microfono per l’app di messaggistica che stai utilizzando.

iOS: Impostazioni → Telegram (o Discord) → Autorizzazioni → Microfono → Consenti. Abilita l’Aggiornamento App in Background per risposte immediate.

Android: Impostazioni → App → Telegram → Autorizzazioni → Microfono → Consenti. Per i canali vocali di Discord, abilita il permesso di overlay.

Fissare la chat del bot Hermes sulla schermata home aiuta: un tap per iniziare a parlare.

Pattern di Parlato Affidabili

L’interazione vocale ha un’ergonomia diversa dalla digitazione. Non puoi facilmente incollare log o citare tracce di stack lunghe, quindi la struttura è importante:

• Sii esplicito. Dì l’azione, l’ambito e il formato di output in una frase.
• Mantieni un obiettivo per messaggio. Dividi i lavori multi-step in brevi follow-up.
• Vincola l’output. Chiedi azioni numerate o un riassunto di 3 punti quando la leggibilità su mobile è importante.
• Rimani breve. Circa 10-30 secondi per messaggio solitamente trascrivono meglio.
• Usa turni iterativi. Correggi e rifina nel prossimo messaggio vocale invece di sovraccaricare il primo.

Esempi di Prompt Pronunciabili

• “Controlla i log di deployment dell’ultima ora e riporta solo errori critici.”
• “Crea una bozza di schema per un post sulla migrazione OpenTelemetry con cinque sezioni.”
• “Riassumi questo bug in tre punti e proponi la causa radice più probabile.”
• “Rivedi la configurazione e dimmi cosa cambiare per una latenza di trascrizione inferiore.”

Casi d’Uso Comuni con Risultati Concreti

• Operazioni — “Controlla la salute della produzione e lista i servizi falliti.”
  Risultato è un aggiornamento di stato focalizzato su cui puoi agire immediatamente.
• Scrittura — “Trasforma questi punti grezzi in un paragrafo introduttivo pubblicabile.”
  Risultato è testo rifinito da note vocali.
• Triage Debug — “Investiga questo TypeError e suggerisci la prima fix da testare.”
  Risultato è un passo successivo concreto prima di aprire l’IDE.
• Ricerca — “Trova tre fonti recenti sull’argomento X e riassumi le differenze.”
  Risultato è un briefing compresso per lavoro approfondito successivo.
• Automazione — “Esegui la routine domestica e conferma gli stati dei dispositivi.”
  Risultato è azione diretta più conferma.

Risoluzione dei Problemi

Messaggi vocali non trascritti: Conferma stt.enabled: true in config.yaml. Verifica che le dipendenze locali siano installate. Poi riavvia con hermes gateway restart.

TTS non risponde: Conferma che tts.provider sia impostato. Se usi un provider a pagamento, verifica la chiave API in .env. Convalida le impostazioni vocali attuali dai comandi di stato della CLI di Hermes.

Qualità di trascrizione scarsa: Aumenta stt.local.model da base a small o medium. Riduci il rumore e parla in segmenti più brevi. Se necessario, passa a STT cloud per una migliore accuratezza.

Bolli vocali mostrate come file su Telegram: Installa ffmpeg e riavvia il gateway. Questo è il problema più comune.

Lo Stack Gratuito

Per configurazioni attente ai costi, questa base è solida:

• STT: Local faster-whisper senza chiave API
• TTS: Edge TTS con ampia copertura linguistica
• Costo totale: $0

Questo è un vantaggio significativo rispetto a molti assistenti chiusi dove la qualità vocale e l’automazione diventano rapidamente funzionalità solo a pagamento.

Se i requisiti di qualità aumentano, aggiorna un layer alla volta. Solitamente gli aggiornamenti STT producono il guadagno immediato più grande, poi la qualità TTS può essere migliorata in seguito se necessario.

Argomenti FAQ in Pratica

Le quattro domande degli utenti più comuni sono prevedibili. Si sovrappongono anche a preoccupazioni di progettazione di memoria e profilo coperte in Sistema di Memoria Hermes Agent e Pattern di produzione Hermes:

• Se i comandi vocali ottengono lo stesso accesso agli strumenti del testo.
• Se uno stack gratuito è vivibile per l’uso quotidiano.
• Perché Telegram a volte mostra allegati invece di bolle vocali.
• Quale modello Whisper locale dovrebbe essere usato per primo.

Questa guida affronta ciascuno di questi direttamente nelle sezioni di configurazione, tuning e risoluzione dei problemi, così puoi passare dalla prima esecuzione all’uso quotidiano stabile rapidamente.

Ricapitolazione Avvio Rapido

# 1. Installa gli extra vocali
pip install "hermes-agent[all]"

# 2. Configura il gateway Telegram
hermes gateway setup

# 3. Installa ffmpeg (richiesto per le bolle vocali di Telegram)
sudo apt install ffmpeg

# 4. Invia un messaggio vocale dal tuo telefono
# Hermes trascrive, elabora e risponde

Da lì, itera in base al tuo collo di bottiglia reale. Se la latenza è il problema, ottimizza la dimensione del modello o l’STT cloud. Se la qualità audio è il problema, ottimizza il provider TTS e il preset vocale. Inizia gratis, misura, poi aggiorna solo dove migliora effettivamente il tuo flusso di lavoro.