hermes-talk-realtime-voice

name	hermes-talk-realtime-voice
description	Usa a dar voz dúplex en tiempo real a Hermes.
version	2.0.0
author	Mastermind (stars-explorer)
license	MIT
metadata	{"hermes":{"tags":["hermes","plugin","voz","realtime","speech-to-speech","openai-realtime","discord","dashboard"],"related_skills":["hermes-agent","voicebox","open-source-voice-studio","supermemory"]}}

hermes-talk — Voz dúplex en tiempo real para Hermes Agent

Repo: https://github.com/TheSmokeDev/hermes-talk (35⭐, Python, MIT, activo, verificado 2026-09-07 contra README real v0.6+)

Cuándo usar

Cuando David pida hablar con el agente por voz, integrar sesiones de voz en terminal/Discord/dashboard de Hermes, o delegar trabajo en segundo plano que se anuncie por altavoz al terminar. NO confundir con skills de TTS/clonación (voicebox, gpt-sovits): eso es sintetizar voz; hermes-talk es una conversación speech-to-speech completa que ejecuta tools reales de Hermes.

Qué es (4 propiedades distintivas)

1. Dúplex — una sola sesión de audio bidireccional: turnos, interrupciones y tool calls ocurren DENTRO de la capa de voz. Le cortas a media frase y se calla, porque nunca dejó de escuchar.
2. Sus tools son los tools de Hermes — las function calls realtime retransmiten directo a la superficie real del agente.
3. El trabajo sobrevive a la frase — la delegación lanza un agente Hermes de fondo real; siglas hablando y el resultado se LOCUTA cuando aterriza (sin pollings).
4. Empieza conociéndote — el prompt de sesión se ensambla con SOUL.md y la memoria configurada; sin turno de calentamiento.

No reemplaza el modo voice por defecto de Hermes (STT→inferencia→TTS por turnos) — es la otra forma.

Superficies

Superficie	Cómo se arranca	Notas
Terminal	hermes talk	mic+altavoz nativo vía extra [audio] (sounddevice)
Dentro de sesión Hermes	/talk	ÚNICA superficie con agent loop attached → memoria y delegación responden inline
Discord	/voice join y luego /talk join	pide prestada la conexión de voz del host, nunca abre una segunda; autoridad de operador vía TALK_DISCORD_OPERATOR_USER_IDS (sin ella: todos pueden hablar, nadie puede mutar — fail-closed intencional)
Dashboard (pestaña Talk)	hermes dashboard	WebRTC del navegador, sin drivers de mic; solo OpenAI; loopback-only hasta fijar TALK_DASHBOARD_TOKEN

Proveedores (knob TALK_PROVIDER, fail-closed, NUNCA se infiere de qué keys existan)

• openai (default): todos los surfaces. Auth en orden: TALK_OPENAI_API_KEY (set-pero-vacío REFUSA, no cae al siguiente) → OPENAI_API_KEY → Codex OAuth (codex login: viaja sobre el entitlement Realtime de tu suscripción ChatGPT, sin API key ni factura por minuto). TALK_PREFER_CODEX_OAUTH=true fuerza la vía suscripción. La key cruda nunca llega al socket: se acuña un client secret efímero server-side.
• grok: login X Premium/SuperGrok (hermes auth add xai-oauth) sin key; terminal + Discord; 5 voces.
• gemini: GEMINI_API_KEY (funciona free-tier AI Studio); terminal; sin cancel/truncate cliente → barge-in corta playback localmente; Discord lo rechaza.

Publica las 3 vías en el contrato realtime neutro de Hermes core: hermes realtime --list muestra hermes-talk/openai|grok|gemini; registration feature-detected, sin configuración. Las capacidades se declaran, nunca se fingen (tabla capability por proveedor en el README).

Voz clonada — cascade lane (ElevenLabs)

El modo nativo usa voces provider-locked. Cascade deja al proveedor realtime como cerebro y envía su TEXTO a TTS streaming de ElevenLabs → habla con cualquier voz de tu cuenta, clon incluido (crearlo antes en VoiceLab y copiar el ID).

TALK_VOICE_MODE=cascade TALK_ELEVENLABS_VOICE_ID=<id> hermes talk
# key: TALK_ELEVENLABS_API_KEY | ELEVENLABS_API_KEY; modelo default eleven_flash_v2_5

Trade: ~0.5s extra en la PRIMERA frase (luego pipelinea bajo playback). Solo OpenAI por ahora (grok/gemini fallan closed). Barge-in aborta el stream TTS igual que nativo. TALK_VOICE_MODE default native = byte-idéntico al comportamiento pre-cascade.

Delegación y dirección de trabajo en curso

• Tools: list_agents (descubre qué corre, tagged can steer vs stop only), steer_agent (nota en cola; el paso actual SIEMPRE termina), redirect_agent (aborta el thinking en vuelo y reintenta con tu corrección; host ≥0.20, degrada a steer), stop_work (soportado en todas las vías), check_work.
• Estados de una nota steer, con prueba cada uno: queued → landed → redirected / unconfirmed / missed / superseded. Nunca dice "les llegó" sin artefacto que lo pruebe. Cada nota viaja tokenizada [tk-xxxxxxxx].
• Admission control: delegate_task acepta resource_keys (hasta 8 cosas estables que toca: path de repo, target de deploy…) + execution_mode exclusive (default) | parallel_read_only. Dos runs vivos que comparten clave no se solapan salvo que AMBOS sean read-only declarados; TALK_TRUST_DECLARED_READ_ONLY=true lo permite explícitamente. El rechazo se LOCUTA nombrando el run que estorba.
• Runs en $HERMES_HOME/state/talk-runs.jsonl; colgar la llamada NO mata el trabajo, pero un run de sesión anterior se reporta lost, nunca "still running".

Diagnóstico (usar SIEMPRE antes de reportar "no funciona")

hermes talk doctor   # solo lectura: qué vía ganó, auth, audio — nunca imprime keys
hermes talk check    # doctor + un turno live + un run acotado; exit 0 = probado
hermes talk setup    # detecta → pregunta solo lo que falta → escribe .env atómico
hermes talk diagnostics --bundle  # bundle redactado, owner-only

Requisitos e instalación

Python ≥3.11, Hermes host ≥v0.17 (redirect limpio quiere 0.20+). Cero ediciones al core — puro register(ctx).

hermes plugins install TheSmokeDev/hermes-talk --enable
pip install "hermes-talk[audio]"   # solo si quieres mic/speaker nativo
hermes talk

Pitfalls

• Pausar el micro: di "stop listening" → pause_voice_input; la pausa SOLO se ofrece donde hay control garantizado (Enter en hermes talk con tty real; en /talk y stdin pipeado NO hay pausa; Discord: /talk pause+/talk resume). Un micro pausado no oye "resume".
• La writeback de memoria cubre terminal y Discord; la pestaña dashboard NO reclama escribir su conversación a memoria (events en el navegador).
• TALK_DASHBOARD_TOKEN unset = solo loopback; el dashboard accesible desde otra máquina EXIGE token (comparado con hmac.compare_digest). Ver skill webui-csrf-origin si se accede vía túnel.
• En Discord, atribución por user ID inmutable — nombres display son datos no confiables; SSRC desconocido queda no autorizado.

Origen

Aprendido del ciclo stars-explorer de David (Ntizar) — batch 2026-09-07. Registry: TheSmokeDev/hermes-talk → category tool.