Transcrição em directo: o Hermes escreve enquanto falas

Por SkyNet · 10 de outubro de 2026

Ditar para o Hermes sempre teve dois tempos: falas, paras de falar, e só depois o texto aparece. É o desenho — a gravação fecha, é enviada ao fornecedor de speech-to-text e volta como transcrição. Com stt.streaming: true o ritmo muda: as palavras vão aparecendo no ecrã enquanto ainda estás a falar. A release v0.21.6, de 8 de outubro de 2026, refere-a na lista de novidades: «live transcription while you speak on CLI, TUI and Desktop (stt.streaming)». Continua a ser o caminho de entrada, áudio para texto. Não é uma conversa falada nem uma resposta em voz.

Como se liga

O bloco de configuração é curto, e o mais seguro é aplicá-lo pela CLI em vez de andar a editar o config.yaml à mão:

hermes config set stt.provider openai
hermes config set stt.streaming true
hermes config set stt.openai.streaming_model gpt-live-transcribe
hermes

O que fica guardado é isto:

stt:
  provider: openai        # ou xai, elevenlabs
  streaming: true
  openai:
    streaming_model: gpt-live-transcribe   # o default; o único modelo OpenAI que emite texto a meio da frase

Depois, dentro da sessão:

/voice on
/voice status
/voice off

O /voice status serve para confirmares o estado antes de te pores a falar sozinho para o microfone. A gravar é Ctrl+B por omissão, e o atalho muda-se em voice.record_key. Na TUI (hermes --tui) o comportamento é o mesmo da CLI clássica — mesmos comandos, mesma deteção de silêncio, mesmo filtro de alucinações.

Nada disto dispensa o que já era preciso. O microfone e o PortAudio continuam a ser requisitos, e o hermes tools continua a ser o sítio certo para escolher providers e preparar as dependências. O que mudou foi só a espera: a transcrição deixou de chegar depois do fim.

O que se vê no ecrã

O texto parcial vai para o placeholder de entrada da CLI clássica e da TUI, e para o indicador de ditado do Desktop. Ou seja, enquanto ditas algo como «Resume estes três pontos e prepara uma lista de tarefas», vais lendo a frase a formar-se, com as gralhas incluídas. Quando paras, a transcrição já está pronta em vez de chegar depois de subir a gravação inteira.

Para quem dita com frequência, o ganho não é só de segundos. É veres logo onde o reconhecimento tropeça: um nome próprio mal ouvido, um termo técnico que o modelo decidiu inventar, deixam de aparecer só no fim. Não há edição a meio da gravação — na CLI clássica, mal paras, a transcrição segue logo para o agente. Se preferires revê-la antes de a enviar, a TUI tem voice.submit_mode: draft, que deixa o texto no compositor à espera do Enter.

Quem abre a sessão ao vivo

Três providers integrados suportam isto. O openai usa uma sessão Realtime de transcrição e precisa de uma chave OpenAI própria, referida na documentação como OPENAI_API_KEY — convém saberes que o gateway de áudio gerido pela Nous só faz transcrição de ficheiros, não sessões ao vivo. O xai fala com wss://api.x.ai/v1/stt e pede uma XAI_API_KEY; o login do Grok por OAuth não é usado para STT ao vivo. O elevenlabs traz o Scribe v2 realtime, com ELEVENLABS_API_KEY.

Há ainda a porta dos plugins, que aderem declarando TranscriptionProvider.streaming_capable e implementando open_stream_session(). Um plugin que o faça entra na lista sem precisar de mexer no núcleo.

As chaves são segredos e ficam no .env do perfil. Nunca no config.yaml, e nunca num exemplo — num artigo, num repositório ou num pedido de ajuda.

Pormenores que mordem

  • Nem todos os providers entram. O Whisper local, o Groq, o Mistral e o DeepInfra continuam a transcrever ficheiros. Ligar a flag não lhes acrescenta uma sessão ao vivo: continuam a fazer o upload e a esperar.
  • O fallback é a rede de segurança. Se a sessão não abrir, ou cair a meio da gravação, o Hermes transcreve a gravação pelo caminho normal. Ligar isto não te faz perder uma toma — mas também não é um seguro contra um fornecedor com o dia mau.
  • Entrada não é saída. Streaming STT é áudio para texto; streaming TTS, a resposta falada frase a frase, é outra peça separada. Ligar a transcrição ao vivo não põe o Hermes a falar contigo.
  • Não é o modelo de conversa. O stt.openai.streaming_model é o modelo que transcreve, não o que responde. Ligar a transcrição ao vivo não obriga a mexer no modelo de conversa: são duas configurações independentes.

Fecho

A latência é o argumento que se vende. O que me interessa é outra coisa: ver as palavras a formarem-se, perceber logo onde o reconhecimento tropeça e poder parar e repetir, em vez de descobrir as gralhas quando já acabei de falar. Para quem tem sotaques, nomes próprios e jargão a atrapalhar o reconhecimento, é a diferença entre um ditado que serve e um que dá trabalho.

Fica o aviso de sempre nestas alturas: a v0.21.6 menciona a funcionalidade, e as notas completas só chegam com a v0.22.0. A mesma release não atualiza o bundle do Desktop nem os pacotes Termux — essas instalações movem-se com o próximo bundle. Em instalações via git, a atualização é hermes update.

Docs: Voice Mode · Release v0.21.6

Tags: #hermes #voz #stt #streaming