场景很具体：合伙人给你发了一段两分半的语音，说的是排期和两个要改的点。你把语音转给 Hermes，想让它整理成任务清单。它回你一句“我收到了一个语音文件”，然后开始问你文件里说了什么。因为对 Hermes 来说，那确实只是一个 .ogg。

语音消息是聊天里最常见、也最容易被 agent 忽略的输入。Hermes 本身有 STT（语音转文字）层，内置了本地 Whisper 和几个云端后端，但它们各有代价：本地跑 whisper 吃 CPU、模型加载慢；云端要么需要海外网络的 key，要么按分钟计费。如果你的团队日常用千问/阿里云那一套，现在多了一个新选择——社区插件 transcription-dashscope，把 STT 接到千问AI平台（DashScope）的 Qwen-Audio-ASR 上。

它替换的是哪一层

要理解这个插件，先看 Hermes 的语音链路是怎么分层的。stt.* 配置管的是“把声音变成文字”，tts.* 管的是“把文字变成声音”，两者互不干扰。默认配置里 stt.enabled 是开着的，echo_transcripts 也是开着的——也就是说，网关收到语音消息会转成文字，并把转写结果以一条带 🎙️ 的消息回显给你。

后端是可插拔的。核心内置了几种（本地 Whisper、Groq、OpenAI、Mistral、ElevenLabs、DeepInfra、xAI），插件可以再注册新的 provider 名字。这个插件注册的名字就叫 dashscope，所以你只需要把 stt.provider 指过去。

它做两件事：网关里的语音消息自动转写；桌面或 CLI 的听写模式（stt.streaming 打开后）边说边出字。模型默认是 qwen-audio-3.1-asr-flash-message。

装之前的三项准备

一个千问AI平台的 API key。 这是必须的，没有 key 就没有识别。

系统里要有 ffmpeg。 插件用它把所有录音格式统一成 16 kHz 单声道——实时识别接口只收这个采样率，微信/Telegram 的语音文件不会正好符合。转换用的是一个临时 wav，识别完就删掉。

Hermes 版本要够新。 目录里这条目的要求是 >=0.22.5。版本不够就别硬装，先把 hermes update 走一遍。

装上之后先别急着开听写，按顺序做：

hermes plugins install transcription-dashscope
hermes plugins enable transcription-dashscope
hermes gateway restart

重启网关这一步不能省。插件带 Python 依赖，装好之后当前进程还没加载它，重启才会生效。如果你跳过重启，下一步设置 provider 时会看到 DashScope SDK is not importable in this process 这类提示——那不是装坏了，是进程还没换。

四行配置打开它

key 放进 profile 的 .env：

DASHSCOPE_API_KEY=sk-your-key

插件认三个环境变量，优先级从高到低是 TRANSCRIPTION_DASHSCOPE_API_KEY（这个插件专用）、HERMES_CUSTOM_DASHSCOPE_API_KEY（自定义 provider 那套）、DASHSCOPE_API_KEY（内置 DashScope 那套）。任意一套配好就能用，已经配过阿里云的不必再配一遍。

然后指向它：

hermes config set stt.provider dashscope
hermes config set stt.enabled true
hermes config set stt.streaming true

stt.streaming 是“边说边出字”，只想要语音消息转文字、不需要实时听写的话，保持 false 就行——它同时也能省掉一些中间结果的噪音。

中文场景的几个开关

默认模型对中文普通话没问题，但真实录音总有杂音、口音、语气词。插件把 DashScope 的识别参数基本原样透传，常用的几个：

hermes config set stt.dashscope.disfluency_removal_enabled true
hermes config set stt.dashscope.max_sentence_silence 400
hermes config set stt.dashscope.vad_model near_meeting_16k

• disfluency_removal_enabled：去掉“那个、就是、嗯”这类语气词。整理会议记录时很值。
• max_sentence_silence：多久的停顿算一句话结束（毫秒）。说话慢、爱停顿的人，把它调大一点断句更自然。
• vad_model：断句用的 VAD 模型。会议场景用 near_meeting_16k 这类针对近场会议的模型，效果比通用模型稳。

另外还有几个值得知道的：keep_dialect 保留方言原文（不强行转成普通话）、speech_noise_threshold 调语音/噪音的判定阈值、vocabulary_id 用预编译热词表（专有名词、产品名识别率会明显提升）、language_hints 最多给 4 个语种提示。冷门参数如果配置里没有对应键，可以用 parameters 整体塞一个字典进去。

语言也要显式设置，因为 Hermes 的全局默认是 en——这是有原因的，Whisper 对短音频的语种自动检测经常判错。中文环境请设成：

hermes config set stt.language zh

如果 stt.dashscope 下的键没写，插件用默认值；地址默认是 https://maas.qianwenaiapi.com/api/v1，填 HTTP 地址即可，插件自己会换成实时接口的地址，OpenAI 兼容风格的地址（带 /compatible-mode/v1）也认，SDK 只看主机名。填了 workspace 才走工作空间网关。

语音数据去了哪里

这个必须讲明白：音频和 API key 会发到你配置的那个端点（默认是千问AI平台），别的都不发。本地只留一个用来转码的临时 wav，识别完删除。也就是说，这是一次明确的云端调用——如果录音内容本身敏感，要么换本地 Whisper，要么提前确认这条链路符合你们的合规要求。

什么时候该退回去

装插件容易，退回去也只要两条命令：

hermes config set stt.provider local
hermes plugins disable transcription-dashscope

什么时候会想退？三种情况：账号欠费或模型没开通（表现为 Arrearage: Access denied）；音频太长——这个模型面向短音频和会话级识别，一个小时的访谈录音请换专门的文件转写模型；或者你只是不希望音频离开本机。

还有一个细节值得提前知道：千问 SDK 2.0 的语音接口官方标注为 preview。升级 SDK 之后，先发一条语音消息验证一次，别等到重要会议才发现在报错。

值不值得换

如果你的语音输入主要是中文、量不大、又不想在本机跑 Whisper，这个插件的性价比很高：装两条命令，配四行，剩下的交给平台。它不改变 Hermes 的任何上层行为——转写出来的文字照样进会话、照样触发工具调用，区别只是“听”这一层换了耳朵。

如果你的语音是英文为主、或者对隐私要求高，内置的本地 Whisper 依然是最省心的选择，代价是首次加载慢、跑起来吃 CPU；相关的静音裁剪和空闲卸载，之前那篇 STT 静音裁剪与空闲卸载 讲得比这里细。语音输出的那一半——也就是 TTS——可以看 语音选择器指南。