Lokale Sprachsteuerung mit Home Assistant: Ohne Cloud sprechen

„Hey Alexa, Licht an", so bequem Sprachsteuerung ist, so unbequem ist der Gedanke, dass jedes Wort in die Cloud geschickt, gespeichert und analysiert wird. Home Assistant bietet seit 2024 eine vollständig lokale Alternative: Sprachsteuerung, die dein Zuhause nie verlässt. Keine Cloud, keine Abhörung, keine Abhängigkeit von Amazon oder Google.

In dieser Anleitung zeige ich dir, wie du die lokale Sprachsteuerung mit dem Wyoming-Protokoll, Piper TTS (Text-to-Speech) und Whisper STT (Speech-to-Text) einrichtest, entweder mit einem ESP32-S3-BOX als fertigem Sprachsatelliten oder einem Raspberry Pi mit USB-Mikrofon.

Wie funktioniert lokale Sprachsteuerung?

Die Sprachsteuerung in Home Assistant besteht aus vier Bausteinen:

1. Wake Word Detection: Ein Schlüsselwort (z. B. „Hey Jarvis" oder „Ok Nabu") aktiviert die Spracherkennung. Läuft lokal auf dem Gerät oder auf dem Home-Assistant-Server.
2. Speech-to-Text (STT): Dein gesprochener Befehl wird in Text umgewandelt. Whisper (von OpenAI, lokal lauffähig) ist die Standardlösung. Unterstützt Deutsch, Englisch und viele weitere Sprachen.
3. Intent Recognition: Home Assistant versteht den Text und ordnet ihn einem Gerät/Befehl zu („Licht im Wohnzimmer einschalten").
4. Text-to-Speech (TTS): Die Antwort wird als Sprache ausgegeben. Piper ist die lokale TTS-Engine mit natürlich klingenden deutschen Stimmen.

Das Wyoming-Protokoll verbindet diese Bausteine. Es definiert, wie Mikrofone, STT-Engines, TTS-Engines und Home Assistant miteinander kommunizieren, alles lokal über dein Netzwerk.

Option 1: ESP32-S3-BOX als Sprachsatellit

Der ESP32-S3-BOX-3 (ca. 45 EUR) ist die einfachste Lösung. Das Gerät hat Mikrofon, Lautsprecher und Display, alles in einem kompakten Gehäuse. Du flashst ESPHome darauf und hast in 15 Minuten einen fertigen Sprachsatelliten.

Schritt-für-Schritt-Einrichtung:

1. ESPHome-Firmware flashen: Gehe zu voice-pe.esphome.io im Browser, verbinde den ESP32-S3-BOX per USB und flashe die Voice-PE-Firmware.
2. WiFi konfigurieren: Nach dem Flash erscheint ein Hotspot. Verbinde dich und gib deine WLAN-Daten ein.
3. In Home Assistant hinzufügen: Der ESP32-S3-BOX wird automatisch unter Einstellungen → Geräte & Dienste erkannt. Klicke auf „Konfigurieren".
4. Assist-Pipeline zuweisen: Unter Einstellungen → Sprachassistenten erstellst du eine neue Pipeline mit Whisper (STT), Piper (TTS) und dem gewünschten Wake Word.

Option 2: Raspberry Pi mit USB-Mikrofon

Du kannst auch einen Raspberry Pi (3B+, 4 oder 5) mit einem USB-Mikrofon und Lautsprecher als Sprachsatelliten nutzen. Das ist flexibler, aber erfordert etwas mehr Konfiguration.

Benötigte Hardware:

• Raspberry Pi (Zero 2 W für kompakte Lösung, Pi 4/5 für mehr Leistung)
• USB-Konferenzmikrofon (z. B. ReSpeaker Mic Array v2.0, ca. 25 EUR) oder USB-Headset
• Lautsprecher (3,5-mm-Klinke oder Bluetooth)
• MicroSD-Karte mit Raspberry Pi OS Lite

Installiere den Wyoming Satellite als Docker-Container oder als Home-Assistant-Add-on:

# Docker-Variante docker run -d \ --name wyoming-satellite \ --restart unless-stopped \ --device /dev/snd \ -p 10700:10700 \ -v wyoming-satellite-data:/data \ rhasspy/wyoming-satellite:latest \ --name "Kueche Satellit" \ --wake-uri tcp://homeassistant.local:10400 \ --stt-uri tcp://homeassistant.local:10300 \ --tts-uri tcp://homeassistant.local:10200

Piper und Whisper installieren

Auf deinem Home-Assistant-Server installierst du die STT- und TTS-Engines als Add-ons (wenn du HAOS nutzt) oder als Docker-Container:

# Whisper (Speech-to-Text) docker run -d \ --name whisper \ -p 10300:10300 \ -v whisper-data:/data \ rhasspy/wyoming-whisper:latest \ --model small --language de # Piper (Text-to-Speech) docker run -d \ --name piper \ -p 10200:10200 \ -v piper-data:/data \ rhasspy/wyoming-piper:latest \ --voice de_DE-thorsten-high

Sprachbefehle auf Deutsch

Home Assistant versteht deutsche Befehle nativ. Beispiele:

• „Schalte das Licht im Wohnzimmer ein"
• „Stelle die Temperatur im Büro auf 22 Grad"
• „Wie warm ist es draußen?"
• „Rollläden im Schlafzimmer runterfahren"
• „Timer auf 10 Minuten stellen"

Die Intent-Erkennung basiert auf den Gerätenamen und Raumnamen in Home Assistant. Benenne deine Entities also verständlich: „Licht Wohnzimmer" funktioniert besser als „light.shelly_1_relay_0". Einen Vergleich der lokalen Lösung mit Alexa und Google findest du im Ratgeber Sprachsteuerung: Alexa, Google und Siri im Vergleich.

Lokale Sprachsteuerung vs. Alexa/Google

Aspekt	Lokal (HA)	Alexa/Google
Datenschutz	Daten bleiben lokal	Cloud-Verarbeitung
Internet nötig	Nein	Ja
Erkennungsqualität	Gut (abh. vom Modell)	Sehr gut
Stimmqualität	Gut (Piper)	Sehr gut
Reaktionszeit	1–5 Sek. (hardwareabh.)	1–2 Sek.
Skills/Routinen	HA-Automationen	Tausende Skills
Kosten	45–80 EUR (einmalig)	30–60 EUR pro Gerät