想不想要一个不仅能看而且能说的微信小助手，当你问它在干什么的时候它还能发自拍给你看？

从痛点一来看，对接难度大、网络受限

• 国外服务器连接大陆微信时常因网络不通导致绑定失败。
• ClawBot 并非完整账户。功能受限，不能当作独立账号使用。
• 多模态、语音功能需要额外配置，初学者容易卡壳。

再看方法一，微信对接与基础配置

1️⃣ 启动 Hermes Gateway 并选择微信模式

hermes gateway setup
# 选择 Weixin / WeChat

2️⃣ 获取二维码或登录链接并授权

默认推荐扫码登录；如果是 VPS，只需复制显示的 URL 到浏览器打开即可。

建议保持Disable group chats 最大化安全性。老实说，

3️⃣ 获取授权码并完成绑定

给 ClawBot 发送任意消息。Bot 将返回授权码，将该码输入到 Hermes Agent 就可以完成对接。

4️⃣ 简单测试确认连通性

发送一条消息到 Hermes Agent。如果收到回复，即表示对接成功。

为 Hermes 配置感官功能——让它“看见”和“说话”

语音转文字配置

STT：把语音转成文字供 AI 理解

• local: 本地 faster-whisper— 推荐默认选项。
• groq: Groq Whisper。其实，
• openai: OpenAI Whisper。老实说，
• mistral: Mistral Voxtral。

推荐使用本地 STT，

sudo apt update
sudo apt install -y ffmpeg portaudio19-dev
python -m pip install -U faster-whisper
hermes config set stt.enabled true
hermes config set stt.provider local
hermes config set stt.local.model base
hermes config set stt.language zh
python - <'PY'
import importlib.util
print))
PY
# 重启 gateway 确认生效
hermes gateway restart

文字转语音配置 – 微信限制下的合适方案

TTS：把文字回复生成语音文件并发送给使用者

• edge : Microsoft Edge TTS。适合快速部署，
• elevenlabs : 高质量付费，需要 ELEVENLABS_API_KEY。
• openai : OpenAI TTS，需 VOICE_TOOLS_OPENAI_KEY。说起来，
• minimax : 中文优质 TTS。需要 MINIMAX_API_KEY。其实，
• mistral : Mistral TTS。需要 MISTRAL_API_KEY。
neutts : 本地 TTS，免费但需安装模型和依赖。

至于示例，使用免费的 Edge TTS 并设置台湾腔甜美女声：

sudo apt install -y ffmpeg libopus0
python -m pip install -U edge-tts
hermes config set tts.provider edge
hermes config set tts.edge.voice zh-TW-HsiaoChenNeural
# 测试生成音频并验证文件是否存在
edge-tts -v zh-TW-HsiaoChenNeural \
-t "语音配置好了我之后可以用台湾腔甜妹的声音说话。" \
--write-media /tmp/hermes-tts-test.mp3
ls -lh /tmp/hermes-tts-test.mp3
# 在聊天网站启用指令 /voice tts
# 如未生效请重启 gateway
hermes gateway restart

开启 Vision 模型。让 Hermes 看图识图

• 必须使用官方支持多模态模型，例如 GPT‑4o-mini、千问等；DeepSeek 等不支持 Vision。
• 一般只支持图片识别，对视频支持有限，仅能截帧分析。
• 推荐千问或 GPT 系列，可通过 OpenRouter 免费调用；也可尝试公开视觉模型，

让 Hermes 能自行生成图片 —— 生图工具整合

"想让它在你问 '你在干什么' 时自动发一张照片？" 可以通过 GPT Image 或 Gemini 实现，但需要先把生图能力注入 Agent。下面以开源 Codex CLI 为例：

痛点三缺乏直接调用接口的文档，新手易错。

方法按上述步骤操作，即可快速拥有生图能力。

整合所有能力，实现“真人”级别交互策略

• 默认文字回复；
• 使用者说 “用语音回复/我想听你说话” 则切换到持续语音模式，优先使用 TTS 回复；说起来，直到使用者再说 “用文字回复”。
• 使用者发语音时用语音回应。但代码、命令等仍优先文本，并可附简短语音提示。
• 默认不随便发图；只有明确请求或状态类问题时才生成真实图片并发送。
• 图片内容应对应当前动作。例如 “正在写代码”“正在整理笔记”等真实场景，不得冒充或误导。
• 助手形象统一为写实中文女性角色，可自行调整 Prompt 达到宠物/二次元风格需求。

& 接下来规划

整体流程不复杂，但把多个模块无缝整合是关键。花了一天时间调试后我终于得到满意组合：

• Stereo Voice + Vision + Image Generation + Text Interaction
• Mood & Personality Settings: Taiwanese sweet voice + realistic female avatar.
• User-friendly command triggers to switch modes.

如果你想进一步 功能。例如加入自定义情感反馈、定时提醒或多网站同步，请关注我的后续教程：