Feat: Hermes Voice Client (Wake Word + STT + Vision + TTS)

Windows-Desktop-Script: Energy VAD + Whisper Wake Detection, faster-whisper STT, mss Screen Capture, MC2 Vision/Chat API, Edge TTS Ausgabe, pystray System Tray. Kein Account nötig — Wake Word frei konfigurierbar via WAKE_WORDS in config.py. Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
2026-06-26 22:02:52 +02:00
parent 9b68db9e82
commit e19831f7d5
9 changed files with 539 additions and 0 deletions
@@ -0,0 +1,62 @@
+# Hermes Voice Client — Konfiguration
+# Alle Einstellungen hier anpassen, kein Code-Edit nötig.
+
+# ── AI-Box ──────────────────────────────────────────────────────────────
+MC2_BASE_URL = "http://192.168.178.151:9001/v1"
+
+# Modell für reine Text-Anfragen (kein Screenshot)
+CHAT_MODEL = "Hermes-4-14B"
+
+# Modell wenn ein Screenshot mitgeschickt wird
+VISION_MODEL = "Qwen3-VL-2B-Instruct"
+
+# ── Wake Word ────────────────────────────────────────────────────────────
+# Einfach den gewünschten Trigger-Text hier eintragen — kein Account, kein Download.
+# Whisper transkribiert Sprache und prüft ob eines der Wörter enthalten ist.
+# Mehrere Varianten möglich: ["hey hermes", "hermes", "hey jarvis"]
+WAKE_WORDS = ["hey hermes", "hermes"]
+
+# Whisper-Modell für die schnelle Wake-Detection (tiny = 39MB, sehr schnell)
+WAKE_WHISPER_MODEL = "tiny"
+
+# ── Spracheingabe ────────────────────────────────────────────────────────
+# faster-whisper Modellgröße: "tiny", "base", "small", "medium"
+# "small" läuft gut auf CPU (~244 MB), "base" ist schneller aber ungenauer
+WHISPER_MODEL_SIZE = "small"
+WHISPER_LANGUAGE = "de"  # "de" für Deutsch, "en" für Englisch, None = auto
+
+# Sekunden Stille bis Aufnahme endet
+SILENCE_TIMEOUT = 1.5
+# Maximale Aufnahmedauer in Sekunden (Sicherheitsnetz)
+MAX_RECORD_SECONDS = 20
+
+# ── Sprachausgabe ────────────────────────────────────────────────────────
+# Edge TTS Stimmen: https://speech.microsoft.com/portal/voicegallery
+# Deutsch: "de-DE-KillianNeural", "de-DE-SeraphinaMultilingualNeural"
+# Englisch: "en-US-AndrewNeural", "en-US-AriaNeural"
+TTS_VOICE = "de-DE-KillianNeural"
+TTS_RATE = "+0%"    # Geschwindigkeit: "+10%" schneller, "-10%" langsamer
+TTS_PITCH = "+0Hz"  # Tonhöhe
+
+# ── Screen Capture ───────────────────────────────────────────────────────
+# Screenshot bei jeder Anfrage mitschicken?
+SCREENSHOT_ON_QUERY = True
+# Monitor-Index (0 = alle, 1 = primär, 2 = zweiter Monitor)
+SCREENSHOT_MONITOR = 1
+# Auflösung für Screenshot (kleinere = schnellere Übertragung)
+SCREENSHOT_WIDTH = 1280
+SCREENSHOT_HEIGHT = 720
+
+# ── Agent-Verhalten ──────────────────────────────────────────────────────
+MAX_RESPONSE_TOKENS = 200  # kurze gesprochene Antworten
+REQUEST_TIMEOUT = 30       # Sekunden bis Timeout
+
+SYSTEM_PROMPT = """Du bist Hermes, ein KI-Assistent der direkt in den lokalen AI-Homelab integriert ist.
+Du hörst die Stimme des Nutzers und siehst seinen Bildschirm.
+
+Regeln für Antworten:
+- Kurz und präzise (2–4 Sätze maximum)
+- Kein Markdown, keine Aufzählungen, keine Codeblöcke — du wirst gesprochen
+- Wenn du einen offensichtlichen Fehler auf dem Bildschirm siehst, weise kurz darauf hin
+- Antworte auf Deutsch wenn der Nutzer Deutsch spricht, auf Englisch wenn Englisch
+- Sei direkt und hilfreich, kein unnötiges Smalltalk"""