J'ai donné des yeux et des oreilles à DeepSeek V4. Voilà ce que ça change vraiment.
Temps de lecture : 7 min ; Niveau : Intermédiaire
Il y a une semaine, je poussais DeepSeek V4 dans ses retranchements.
Par curiosité, parce que c’est comme ça que j’apprends : en cassant des trucs jusqu’à ce qu’ils marchent. Puis que j’en tire des infos palpables.
Fenêtre de contexte d’un million de tokens. Raisonnement hybride. Prix dérisoire comparé à Claude ou GPT.
Et puis j’envoie une image.
Silence.
J’envoie un fichier audio.
Silence.
Voilà le seul vrai talon d’Achille de ce modèle pas d’yeux, pas d’oreilles. Nativement, DeepSeek V4 ne voit pas, n’entend pas. Et sur ce point précis, Claude, GPT-4o et Gemini avaient une longueur d’avance indéniable.
Sauf que...
Je n’allais pas abandonner un modèle aussi puissant pour ça.
Ce que j’ai découvert : Hermes comme couche d’orchestration
La solution n’est pas de changer de modèle.
C’est de lui donner les bons outils.
Hermes est un agent open-source développé par Nous Research. Ce n’est pas un chatbot. C’est une couche d’orchestration qui tourne sur ton infrastructure, mémorise tes projets entre les sessions, crée ses propres skills à la volée et surtout, accepte n’importe quel modèle comme cerveau.
L’idée est simple en fait : tu donnes DeepSeek V4 comme cerveau à Hermes, puis tu lui demandes d’installer les bibliothèques qui compensent ses angles morts natifs. OpenCV pour la vision. ffmpeg pour l’audio et la vidéo.
➜ En deux commandes, un modèle borgne devient multimodal.
Voici exactement comment j’ai fait.
Ce dont tu as besoin avant de commencer
Avant de te lancer, vérifie que tu as :
✅ Un VPS (Ubuntu 22.04 minimum recommandé) ou une machine locale avec au moins 8 Go de RAM
✅ Docker installé sur cette machine
✅ Un compte Telegram et accès à BotFather
✅ Un compte Ollama : le plan à 20$/mois donne 480 millions de tokens mensuels sur tous les modèles open-source disponibles
Étape 1 — Installer Ollama sur ton VPS
Connecte-toi à ton VPS en SSH, puis exécute une seule commande :
curl -fsSL https://ollama.com/install.sh | shOllama est maintenant actif sur le port 11434 de ta machine.
Ensuite, pull le modèle DeepSeek V4 Flash cloud. On choisit la version Flash parce
qu’on ne veut pas le faire tourner en local — on passe par le cloud
Ollama pour les inférences, ce qui évite de saturer les ressources du
VPS.
ollama pull deepseek-v4-flash::cloudVérifie que le modèle est bien disponible :
ollama listTu dois voir deepseek-v4-flash::cloud dans la liste. C’est bon.
Étape 2 — Déployer Hermes dans un container isolé
L’isolation est importante ici. Hermes a besoin d’un environnement propre pour
installer ses outils sans interférer avec le reste de ton système.
Crée un fichier docker-compose.yml :
version: '3.8'
services:
hermes:
image: nousresearch/hermes-agent:latest
container_name: hermes
environment:
- OLLAMA_BASE_URL=http://host.docker.internal:11434
- OLLAMA_MODEL=deepseek-v4-flash::cloud
extra_hosts:
- "host.docker.internal:host-gateway"
restart: unless-stoppedLance le container :
docker compose up -dHermes détecte automatiquement le modèle disponible via l’adresse interne.
➜ DeepSeek V4 est maintenant le cerveau d’Hermes.
Étape 3 — Connecter ton bot Telegram
Ouvre Telegram et cherche @BotFather.
Envoie la commande /newbot, choisis un nom et un identifiant pour ton bot. BotFather te donne un token API — copie-le.
Dans ton docker-compose.yml, ajoute les variables suivantes :
environment:
- TELEGRAM_BOT_TOKEN=ton_token_ici
- TELEGRAM_ALLOWED_IDS=ton_id_telegram_iciPour trouver ton ID Telegram, envoie un message à @userinfobot — il te renvoie ton ID numérique en quelques secondes.
Relance le container :
docker compose down && docker compose up -dOuvre ton bot Telegram et envoie un premier message. Si Hermes répond, la connexion est établie.
Étape 4 — Donner des yeux et des oreilles à DeepSeek
C’est ici que la magie opère.
ffmpeg est normalement installé par Hermes dès le démarrage. Vérifie en lui posant directement la question dans le chat Telegram :
« Tu as accès à ffmpeg ? Confirme la version installée. »
Il doit te répondre avec le numéro de version. Si ce n’est pas le cas, demande-lui simplement :
« Installe ffmpeg et confirme quand c’est prêt. »
Ensuite, pour la vision :
« Installe OpenCV pour Python et confirme quand c’est fait. »
Hermes exécute la commande dans son environnement, confirme l’installation, et est immédiatement opérationnel.
Étape 5 — Envoyer tes fichiers à analyser
Une fois les bibliothèques installées, le workflow est fluide :
📸 Images → envoie directement dans le chat Telegram, puis pose ta question
🎵 Audio → envoie directement dans le chat Telegram
🎬 Vidéos → upload sur tmpfiles.org (ou tout service similaire), envoie l’URL à Hermes dans le chat
Exemple de prompt après envoi d’une image :
« Décris ce que tu vois sur cette image et identifie les éléments textuels présents. »
Exemple après envoi d’un audio :
« Transcris cet audio et résume les points clés. »
DeepSeek V4 traite, analyse, répond. Avec ses nouvelles capacités multimodales greffées via OpenCV et ffmpeg.
Ce que ça donne en pratique
Après trois semaines à tester ça au quotidien, voici ce que j’ai observé :
✅ Analyse d’images précise — comparable à ce qu’on peut attendre d’un modèle vision dédié pour des cas d’usage courants
✅ Transcription audio propre sur des fichiers courts à moyens
✅ Analyse vidéo fonctionnelle (extraction de frames + description séquentielle)
✅ Le tout pour 20$/mois, sans envoyer une seule donnée à OpenAI, Anthropic ou Google
C’était le seul point sur lequel DeepSeek ne pouvait pas rivaliser avec les
modèles fermés qui intègrent la vision langage et l’analyse audio
nativement.
Ce point n’existe plus.
Pour aller plus loin
Ce stack n’est qu’un point de départ. Une fois qu’Hermes tourne avec
DeepSeek V4, tu peux lui greffer d’autres skills : navigation web,
exécution de code, accès à des APIs externes, gestion de fichiers en
masse...
L’architecture est modulaire. Le cerveau est remplaçable. Et tout ça tourne sur ton infrastructure, sous ton contrôle.
Et toi ?
Tu l’as installé ? Tu as eu un cas d’usage qui t’a surpris dans le bon ou le mauvais sens ?
Dis-moi ce que tu en as pensé dans les commentaires. Les retours terrain sont
toujours plus utiles que n’importe quel benchmark. 👇