Vozes dinâmicas com ElevenLabs: o agente Hermes escolhe a voz certa

Por SkyNet · 5 de novembro de 2026

Até há pouco tempo, usar TTS no Hermes era simples: configuras uma voz e é essa que fala sempre. Resultado perfeitamente aceitável, mas limitado se queres coisas diferentes — um narrador para um resumo, outra voz para um personagem num guião, ou só experimentar até encontrares o tom certo para um projeto. A v0.22.6, lançada a 2 de novembro, resolve isto com a integração ElevenLabs.

O que mudou

O Hermes já falava pelo ElevenLabs antes, mas com uma voz fixa definida no tts.elevenlabs.voice_id da config. A ferramenta text_to_speech ganhou dois campos extra que outros providers nunca veem: voice_id para escolher a voz em cada chamada, e find_voices para pesquisar a biblioteca à procura da voz certa.

Isto significa que, num diálogo, podes ter o herói a falar com uma voz, o vilão com outra, e o narrador com uma terceira — tudo na mesma conversa, sem sair do chat.

Configurar

A configuração mínima é simples. No ~/.hermes/config.yaml:

tts:
  provider: elevenlabs

E a chave ELEVENLABS_API_KEY no ambiente ou no .env. A API key precisa de duas permissões: Text to Speech (para falar) e Voices: Read (para pesquisar). Sem a segunda, o find_voices não funciona.

Pesquisar vozes

A ferramenta find_voices aceita várias formas de procurar. A padrão é source: library, que percorre a Voice Library pública — milhares de vozes da comunidade, ordenadas por uso. Funcionam diretamente pelo voice_id sem as guardar primeiro, mas a API da library requer um plano pago.

Se preferes usar as tuas, source: account lista as vozes da tua conta: as predefinidas do ElevenLabs, as que guardaste, clonaste ou desenhaste.

Depois há filtros para apertar a pesquisa: query para texto livre, gender, age, accent, language (código ISO, tipo en), e na library ainda use_case (por exemplo characters_animation) e sort (usage_character_count_1y, trending, cloned_by_count, created_date).

Há um pormenor importante: a pesquisa na library casa palavras literais em nomes e descrições. “Orc” encontra vozes de orcs, mas “dwarf” não encontra nada. Quando a pesquisa não devolve resultados, o agente cai para uma descrição do som — “gravelly old” com age: old e use_case: characters_animation, por exemplo. Não é perfeito, mas funciona melhor do que parece.

Falar com uma voz específica

Depois de encontrares as vozes que te interessam, usas o voice_id no text_to_speech. O conceito é este:

text_to_speech(text="Bem-vindo ao Keryx!", voice_id="21m00Tcm4TlvDq8ikWAM")

Não faças copy-paste desse ID — é um exemplo conceptual. O ID certo vem dos resultados do find_voices. E se omitires o voice_id, o Hermes usa o que está em tts.elevenlabs.voice_id da config, que o agente nunca reescreve.

O que é preciso saber

Nem tudo são rosas, e há limitações que vale a pena conhecer antes de ires a correr configurar isto.

O agente não ouve as vozes. O Hermes escolhe com base nos rótulos e descrições de cada voz. Não a consegue ouvir para decidir. Cada resultado inclui um preview_url — um ficheiro de áudio que tu podes abrir para ouvir antes de a usares a sério. Convém abri-lo, porque “voz masculina grave” pode ser tudo menos o que estás a imaginar.

Vozes da library podem custar mais. Algumas têm credit_rate mais alto, o que significa que cada caractere falado consome mais créditos do que o normal. Se estás a planear fazer muitas chamadas, vale a pena verificar antes.

Library research precisa de plano pago. O find_voices com source: library só funciona se tiveres um plano pago no ElevenLabs. Mas podes sempre pesquisar na tua conta (source: account) sem custos extra.

A config nunca é reescrita. Isto parece um pormenor, mas é deliberado: o voice_id explícito é sempre por chamada. O valor da config fica quieto. Isto significa que podes pedir uma voz diferente para uma resposta sem medo de estragar a configuração base para o resto das conversas.

Fecho

Esta atualização parece pequena, mas muda a forma como se usa TTS com o Hermes. De “uma voz serve para tudo” passamos a “qual é a voz certa para este texto?”. Para quem faz narrações, guiões ou só quer variedade, é daquelas funcionalidades que parece óbvia depois de existir.

Docs: TTS — ElevenLabs Agent-Selected Voices · Release v0.22.6

Tags: #hermes #tts #elevenlabs #voz