Hermes Agentで音声入力を始める。キーボードを置いて、話しかけるAIへ

AIエージェントとのコミュニケーションは、まだキーボードが主流です。プロンプトを考え、打ち込み、送信する。この往復は、考えたことをすぐ伝えたい場面ではもどかしいものです。

Hermes Agentには、音声入力（STT: Speech-to-Text）が標準で組み込まれています。特別な設定をしなくても、話しかけるだけでエージェントが動き出します。

音声入力が必要な理由

エージェントAIの価値は「自律的に動く」ことです。しかし指示をキーボードで与えている限り、そこには必ず「入力のための時間」と「形式を整える手間」が発生します。

歩きながら、運転中に、あるいは単にソファに座ったまま。音声で話しかけられれば、エージェントとの対話はもっと自然になります。思考の鮮度をそのまま渡せること。それが音声入力の本質です。

Hermesの音声入力はどう動くか

仕組みはシンプルです。あなたが話した音声は、選択したプロバイダーのWhisperモデルでテキストに変換され、そのままエージェントへの指示として処理されます。

プロバイダーは4つから選べます。

プロバイダー	特徴	必要なもの
ローカル faster-whisper	完全無料、オフライン動作	pip install faster-whisper
Groq Whisper	無料枠あり、高速	GROQ_API_KEY
OpenAI Whisper	高精度、有料	VOICE_TOOLS_OPENAI_KEY
Mistral Voxtral	多言語対応	MISTRAL_API_KEY

最初はローカルのfaster-whisperを試すのが手軽です。APIキー不要、インストールするだけで使えます。

設定は3ステップ

1. STTを有効にする — config.yaml に以下を追加するだけです。

stt:
  enabled: true
  provider: local
  local:
    model: base

2. 必要なパッケージを入れる — ローカルWhisperの場合：

pip install faster-whisper

3. 再起動する — CLIなら再起動、ゲートウェイなら /restart。

すでにTelegramなどのメッセージングプラットフォームとHermesを連携しているなら、あとはボイスメッセージを送るだけです。音声は自動でテキスト化され、エージェントが応答します。

音声コマンドも使える

チャット中に /voice コマンドでモードを切り替えられます。

• /voice on — 音声で話しかけ、音声で返答を受け取る
• /voice tts — テキストで入力しても、返答は音声で
• /voice off — 音声をオフに戻す

音声出力（TTS）も、Edge TTSがデフォルトで無料利用できます。

まずはTelegramで試す

HermesをTelegramと連携していれば、スマホからボイスメッセージを送るだけで音声入力が始まります。キーボードを開く手間も、プロンプトを整形する手間もありません。

「今日の予定を確認して」「この前の続きを進めておいて」。そんな日常のひと言で、エージェントが動き出す体験は、一度味わうと戻れなくなります。

音声入力は単なる入力手段の変更ではない。エージェントを「道具」から「対話相手」に変えるスイッチだ。