با ابزار متن‌باز Hermes Voice، دستیار هوشمند Hermes Agent را با فرمان صوتی مدیریت کنید

معرفی

پروژه Hermes Voice یک پل ارتباطی متن‌باز تحت مجوز MIT است (مدل تشخیص کلمه بیدارباش آن مجوز غیرتجاری جداگانه‌ای دارد) که به شما اجازه می‌دهد از طریق بخش Home Assistant Assist با پروفایل Hermes Agent خود به‌صورت صوتی و با صدای بلند گفت‌وگو کنید. این فرآیند معمولاً روی یک گیرنده صوتی نظیر اسپیکر آمازون اکو که نرم‌افزار echo-dot-assist را اجرا می‌کند، انجام می‌شود. مخزن این پروژه در گیت‌هاب در دسترس قرار دارد و تاکنون حدود ۲۲۵ ستاره دریافت کرده است.

امکاناتی که این مخزن اضافه می‌کند شامل موارد زیر است:

• بخش custom_components/hermes_voice: یک ایجنت مکالمه برای Home Assistant که هر نوبت از گفت‌وگو را با یک شناسه پایدار X-Hermes-Session-Id به پروفایل Hermes می‌فرستد، پاسخ‌ها را برای پخش سریع‌تر صدا به‌صورت جریانی (استریم) دریافت می‌کند و متن را برای موتور تبدیل متن به گفتار (TTS) پاک‌سازی می‌نماید.
• بخش skill/hermes-voice-setup: یک مهارت اختصاصی برای Hermes تا ایجنت شما بتواند یک پروفایل صوتی آماده کند و سامانه Home Assistant و کامپوننت hermes_voice را نصب و پیکربندی نماید.
• بخش wakeword/: خط لوله آموزش به‌همراه یک مدل آماده microWakeWord برای تشخیص عبارت بیدارباش «hey hermes».
• مستندات جامع برای راه‌اندازی یک پروفایل صوتی اختصاصی (شامل فایل SOUL.md، ابزارها، میزان تلاش استدلالی و ارائه‌دهنده مجزا).

طرح کلی خط لوله پردازش به این صورت است: اسپیکر اکو (تشخیص عبارت بیدارباش، میکروفون و بلندگو) ← بخش HA Assist (تبدیل گفتار به متن ← مکالمه hermes_voice ← تبدیل متن به گفتار) ← رابط برنامه‌نویسی پروفایل Hermes Agent (مسیر /v1/chat/completions).

تشریح عملکرد و چالش‌ها

مسئله اصلی

فریم‌ورک Hermes Agent در حال حاضر دارای پروفایل‌ها، حافظه و ابزارهای متنوعی است، اما گیرنده‌های صوتی روزمره به زبان بخش Assist در پلتفرم Home Assistant صحبت می‌کنند. ابزار Hermes Voice در واقع همان قطعه گمشده ایجنت مکالمه است و نیازی به بازنویسی کامل زیرساخت خانه هوشمند ندارد.

تصمیم‌های طراحی

• یک ورودی Home Assistant به ازای هر پروفایل Hermes که از طریق نشانی درگاه (پورت مستقل یا مسیر چندگانه /p/<profile>/v1) انتخاب می‌شود.
• حالت‌های مدیریت نشست: حالت پیش‌فرض به ازای هر مکالمه (per_conversation) یا به ازای هر دستگاه (per_device) همراه با بازنشانی در زمان عدم فعالیت؛ سیستم Hermes تاریخچه مکالمات را از طریق هدر نشست حفظ می‌کند.
• افزودن یک پیام سیستمی کوتاه با مضمون «پاسخ کوتاه و مناسب برای گفتار بده» (قابل تنظیم)؛ در حالی که شخصیت ایجنت همچنان مبتنی بر فایل SOUL.md و حافظه پروفایل باقی می‌ماند.
• نسخه ۰.۱ مجوز کنترل دستگاه‌های Home Assistant را از طریق این یکپارچه‌سازی صادر نمی‌کنددر صورتی که به این قابلیت نیاز دارید، باید سرور MCP پلتفرم Home Assistant را در اختیار پروفایل قرار دهید.
• تأخیر ثبت‌شده در آزمایش‌ها برای نوبت‌های مکالمه ساده حدود ۳.۵ ثانیه است (که بخش عمده آن مربوط به زمان پردازش مدل است)؛ قابلیت استریم نیز می‌تواند در حین اجرای ابزارها، یک عبارت موقت را بیان کند.

محدودیت‌ها

• فلش کردن دستگاه (از طریق echo-dot-assist) ممکن است باعث از کار افتادن سخت‌افزار شود؛ بنابراین رعایت نکات بازیابی دستگاه ضروری است.
• استفاده از حساب‌های کاربری مشترک در ارائه‌دهندگان، محدودیت‌های نرخ درخواست (Rate Limits) را به اشتراک می‌گذارد؛ هم‌چنین حافظه به ازای هر پروفایل ذخیره می‌شود، نه به ازای هر گوینده.
• مدل تشخیص کلمه بیدارباش روی سخت‌افزارهای محدودی آزمایش شده است و به نسخه 2026.10 یا بالاتر پلتفرم Home Assistant (نسخه آزمایش‌شده) نیاز دارد.

کاربرد و راه‌اندازی

این ابزار برای چه کسانی مناسب است؟

• کاربران Hermes Agent که به دنبال ارتباط صوتی بدون دخالت دست روی گیرنده‌های Assist (مانند اسپیکر اکو از طریق echo-dot-assist یا سایر دستگاه‌های سازگار) هستند.
• علاقه‌مندان و توسعه‌دهندگان Home Assistant که می‌خواهند یک پروفایل Hermes را به‌عنوان بخش پشتیبان مکالمات متصل کنند.

شروع کار

1. مخزن گیت‌هاب پروژه و فایل راهنمای docs/voice-profile.md را مطالعه کنید.
2. مسیر سریع: دستور hermes skills install majorminorlabs/hermes-voice/skill/hermes-voice-setup را اجرا کرده و سپس از ایجنت بخواهید مهارت راه‌اندازی صوتی را اجرا کند (یا از اسکریپت‌های مستندشده voice_profile.py، ha_setup.py و speech_setup.py استفاده نمایید).
3. مسیر دستی: از طریق مخزن سفارشی HACS، کامپوننت Hermes Voice را نصب کنید، سپس یکپارچه‌سازی را با نشانی درگاه و کلید API_SERVER_KEY بیفزایید و در نهایت ایجنت مکالمه خط لوله Assist را روی موجودیت جدید (به‌همراه ابزارهای تبدیل گفتار به متن و متن به گفتار مانند Wyoming Whisper و Piper) تنظیم کنید.
4. اسپیکر اکو (یا سایر گیرنده‌ها) را به آن خط لوله متصل کرده و در صورت استفاده از مدل داخلی، عبارت بیدارباش را به «Hey Hermes» تغییر دهید.