{"id":469,"date":"2026-09-15T14:40:00","date_gmt":"2026-09-15T12:40:00","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/?p=469"},"modified":"2026-10-26T12:06:48","modified_gmt":"2026-10-26T11:06:48","slug":"lokale-sprachsteuerung-in-home-assistant-mit-whisper-piper","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/de\/smart-home-de\/tutorials-de-smart-home-de\/lokale-sprachsteuerung-in-home-assistant-mit-whisper-piper\/","title":{"rendered":"Lokale Sprachsteuerung in Home Assistant mit Whisper & Piper"},"content":{"rendered":"

Lokale Sprachsteuerung verbindet vier Aufgaben: ein Aktivierungswort erkennen, Sprache in Text umwandeln, einen passenden Befehl ausf\u00fchren und die Antwort vorlesen. Mit Home Assistant, Whisper und Piper kann diese Verarbeitung im eigenen Netzwerk bleiben. Entscheidend ist die gesamte Kette: Ein lokaler Sprachassistent macht eine angeschlossene Cloud-Steckdose noch nicht offlinef\u00e4hig.<\/p>\n

1. Die Aufgaben der Komponenten<\/h2>\n

Whisper<\/strong> erstellt aus der Aufnahme Text. Der lokale Home-Assistant-Gespr\u00e4chsagent<\/strong> ordnet unterst\u00fctzte S\u00e4tze einer Aktion zu. Piper<\/strong> erzeugt daraus eine gesprochene Antwort. Der Sprachsatellit ist ein separates Ger\u00e4t mit Mikrofon und Lautsprecher, beispielsweise in einem Raum. Das sind getrennte Aufgaben mit unterschiedlichen Fehlerquellen.<\/p>\n

Das Aktivierungswort kann auf dem Satelliten mit microWakeWord<\/strong> oder serverseitig etwa mit openWakeWord<\/strong> erkannt werden. Bei serverseitiger Erkennung muss Audio bereits vor der Erkennung ins lokale Netzwerk gelangen; abh\u00e4ngig vom Ger\u00e4t pr\u00fcft die Erkennung von Sprachaktivit\u00e4t, ob gerade gesprochen wird, und begrenzt damit diesen Datenstrom. Eine pauschale Aussage \u201eAudio wird erst nach dem Aktivierungswort \u00fcbertragen\u201c w\u00e4re daher falsch. Das englische Aktivierungswort legt nicht automatisch die Sprache der anschlie\u00dfenden Befehle fest.<\/p>\n

\"Vier
Vier getrennte Schritte; eine lokale Sprachkette setzt lokal erreichbare Dienste und Ger\u00e4te voraus.<\/figcaption><\/figure>\n

2. Hardware nach Messwerten ausw\u00e4hlen<\/h2>\n

Eine feste Antwortzeit l\u00e4sst sich aus der Modellbezeichnung nicht ableiten. Mikrofonqualit\u00e4t, Hintergrundger\u00e4usche, Sprache, Satzl\u00e4nge und gleichzeitige Aufgaben beeinflussen das Ergebnis. Ein kleines Whisper-Modell ben\u00f6tigt weniger Rechenleistung, kann aber gerade bei Namen schlechter transkribieren. Ein erster Vergleich sollte dieselben zehn kurzen Befehle mit zwei Modellgr\u00f6\u00dfen verwenden und sowohl Fehler als auch Wartezeit erfassen.<\/p>\n

Die \u00fcbliche faster-whisper-Ausf\u00fchrung nutzt CPU oder unterst\u00fctzte NVIDIA-GPUs \u00fcber CUDA. Ein Google Coral Edge TPU ist daf\u00fcr kein austauschbarer Beschleuniger. Bei zu langsamer Transkription kommt ein leistungsf\u00e4higerer lokaler Rechner infrage. F\u00fcr einen begrenzten Satz von Haussteuerungsbefehlen ist au\u00dferdem Speech-to-Phrase eine Alternative; frei formulierte Inhalte sind damit st\u00e4rker eingeschr\u00e4nkt. Whisper bleibt sinnvoll, wenn offene Transkription ben\u00f6tigt wird.<\/p>\n

3. Lokale Dienste und Assistent einrichten<\/h2>\n
    \n
  1. Installationsart pr\u00fcfen:<\/strong> Home Assistant OS bietet verwaltete Apps, fr\u00fcher Add-ons genannt. Home Assistant Container ben\u00f6tigt separat betriebene Sprachdienste. Die fr\u00fchere Supervised-Installation ist seit Home Assistant 2025.12 nicht mehr unterst\u00fctzt.<\/li>\n
  2. Sprachdienste bereitstellen:<\/strong> Bei Home Assistant OS Whisper und Piper installieren und starten. Die entdeckten Wyoming-Integrationen \u00fcbernehmen. Externe Dienste lassen sich \u00fcber ihre tats\u00e4chliche Adresse und ihren konfigurierten Port anbinden. Wyoming verbindet diese Dienste mit Home Assistant; die ESPHome-Integration verbindet den entsprechenden Satelliten.<\/li>\n
  3. Assistent anlegen:<\/strong> Unter Einstellungen \u2192 Sprachassistenten die gew\u00fcnschte Sprache, Home Assistant als Gespr\u00e4chsagent, Whisper als Spracherkennung und Piper als Sprachausgabe w\u00e4hlen. Modell und Stimme m\u00fcssen zur Sprache passen und zun\u00e4chst heruntergeladen werden.<\/li>\n
  4. Eine Testentit\u00e4t freigeben:<\/strong> Beispielsweise eine lokal angebundene Lampe mit eindeutigem Namen und zugeordnetem Raum. Eine Entit\u00e4t steht in Home Assistant f\u00fcr eine einzelne Funktion oder einen Zustand, etwa den Ein-\/Aus-Zustand einer Lampe. Allein die vorhandene Entit\u00e4t erlaubt Assist noch nicht, die Lampe zu steuern.<\/li>\n
  5. Erst Text, dann Sprache testen:<\/strong> Ein einfacher Textbefehl trennt Probleme mit Namen und Freigaben von Problemen bei Mikrofon und Transkription. Anschlie\u00dfend denselben Befehl \u00fcber den Satelliten pr\u00fcfen.<\/li>\n<\/ol>\n

    Sprachdienste geh\u00f6ren in ein vertrauensw\u00fcrdiges Netz mit begrenzter Erreichbarkeit. Eine Portnummer aus einem Beispiel ist keine Freigabe ins Internet. Ein optionaler Cloud-Gespr\u00e4chsagent oder eine Cloud-Integration ver\u00e4ndert den Datenweg und muss bei einer gew\u00fcnschten vollst\u00e4ndig lokalen Kette gesondert betrachtet werden.<\/p>\n

    4. ESP32-S3-BOX-3: passende Firmware statt beliebiger Pins<\/h2>\n

    Die BOX-3 ist kein beliebig verdrahtetes ESP32-Entwicklungsboard. Mikrofone, Audio-Codecs, Lautsprecher, Speicher und Tasten ben\u00f6tigen die zur Ger\u00e4tevariante passende Konfiguration. Eine allgemeine YAML-Datei mit frei gew\u00e4hlten I\u00b2S-Pins ist deshalb keine vollst\u00e4ndige BOX-3-Anleitung.<\/p>\n

    F\u00fcr BOX, BOX-3 beziehungsweise BOX-Lite beschreibt die offizielle Home-Assistant-Ger\u00e4teanleitung die jeweilige Installation und verlinkt die zugeh\u00f6rigen ESPHome-Konfigurationen. Nach der ger\u00e4tespezifischen Einrichtung m\u00fcssen WLAN-Verbindung, ESPHome-Integration, gew\u00e4hlter Assistent und Aktivierungswort zusammenpassen. Bereits vorhandene Ger\u00e4tekonfigurationen ben\u00f6tigen vor einem Firmwarewechsel eine Sicherung.<\/p>\n

    Bei Eigenbauten geh\u00f6ren zus\u00e4tzlich Netzwerkzugang, g\u00fcltige API-Verschl\u00fcsselung, Audioein- und -ausgabe sowie Start und Wiederaufnahme der Aufnahme zum vollst\u00e4ndigen Entwurf. use_wake_word: true<\/code> aktiviert weder allein eine vollst\u00e4ndige Dauerschleife noch automatisch microWakeWord auf dem Ger\u00e4t. Die automatische Konfigurationspr\u00fcfung erkennt Fehler in den Einstellungen, ersetzt aber keinen Mikrofon- und Lautsprechertest am tats\u00e4chlichen Aufbau.<\/p>\n

    5. Fehler an der richtigen Stelle suchen<\/h2>\n