Hermes Agent 的语言模型和语音识别是两条独立链路。MiMo 可以继续负责理解、推理和回复，录音则先送到局域网内的 ASR 服务，转成文字后再交给 MiMo。

这套方案最初使用 whisper.cpp + CT-Punc，随后经过 Paraformer 和 SenseVoice A/B 测试，最终把 SenseVoice 作为 Hermes 当前主后端，Paraformer 保留为带显式术语纠正的回退方案。