{"id":470,"date":"2026-09-15T19:20:00","date_gmt":"2026-09-15T17:20:00","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/?p=470"},"modified":"2026-10-26T12:06:48","modified_gmt":"2026-10-26T11:06:48","slug":"lokalne-sterowanie-glosem-w-home-assistant-z-whisper-i-piper","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/pl\/smart-home-pl\/tutorials-pl-smart-home-pl\/lokalne-sterowanie-glosem-w-home-assistant-z-whisper-i-piper\/","title":{"rendered":"Lokalne sterowanie g\u0142osem w Home Assistant z Whisper i Piper"},"content":{"rendered":"

Lokalne sterowanie g\u0142osem \u0142\u0105czy cztery zadania: wykrycie has\u0142a wybudzania, zamian\u0119 mowy na tekst, wykonanie pasuj\u0105cego polecenia i odczytanie odpowiedzi. Home Assistant, Whisper i Piper pozwalaj\u0105 utrzyma\u0107 to przetwarzanie w sieci lokalnej. Znaczenie ma ca\u0142y \u0142a\u0144cuch: lokalny asystent nie zapewnia pracy offline gniazdka wymagaj\u0105cego chmury.<\/p>\n

1. Zadania poszczeg\u00f3lnych element\u00f3w<\/h2>\n

Whisper<\/strong> tworzy tekst z nagrania. Lokalny agent konwersacji Home Assistant<\/strong> dopasowuje obs\u0142ugiwane zdania do dzia\u0142a\u0144. Piper<\/strong> generuje odpowied\u017a g\u0142osow\u0105. Satelita g\u0142osowy to osobne urz\u0105dzenie z mikrofonem i g\u0142o\u015bnikiem, umieszczone na przyk\u0142ad w pokoju. Ka\u017cdy element ma odr\u0119bne zadanie i w\u0142asne mo\u017cliwe \u017ar\u00f3d\u0142a b\u0142\u0119d\u00f3w.<\/p>\n

Has\u0142o wybudzania mo\u017ce by\u0107 rozpoznawane na satelicie przez microWakeWord<\/strong> albo na serwerze, na przyk\u0142ad przez openWakeWord<\/strong>. Rozpoznawanie serwerowe wymaga przesy\u0142ania d\u017awi\u0119ku przez sie\u0107 lokaln\u0105 jeszcze przed wykryciem has\u0142a; zale\u017cnie od urz\u0105dzenia wykrywanie aktywno\u015bci g\u0142osowej sprawdza, czy trwa wypowied\u017a, i ogranicza ten strumie\u0144. Stwierdzenie \u201ed\u017awi\u0119k jest przesy\u0142any dopiero po ha\u015ble\u201d nie jest wi\u0119c uniwersalne. Angielskie has\u0142o wybudzania nie narzuca j\u0119zyka kolejnych polece\u0144.<\/p>\n

\"Cztery
Cztery odr\u0119bne etapy; lokalny \u0142a\u0144cuch wymaga dost\u0119pnych lokalnie us\u0142ug i urz\u0105dze\u0144.<\/figcaption><\/figure>\n

2. Dob\u00f3r sprz\u0119tu na podstawie pomiar\u00f3w<\/h2>\n

Nazwa modelu nie gwarantuje czasu odpowiedzi. Znaczenie maj\u0105 jako\u015b\u0107 mikrofonu, ha\u0142as, j\u0119zyk, d\u0142ugo\u015b\u0107 wypowiedzi i r\u00f3wnoleg\u0142e zadania. Mniejszy model Whisper wymaga mniej mocy obliczeniowej, lecz mo\u017ce cz\u0119\u015bciej myli\u0107 nazwy. Pierwsze por\u00f3wnanie mo\u017ce obejmowa\u0107 dziesi\u0119\u0107 tych samych kr\u00f3tkich polece\u0144 i dwa rozmiary modelu, z zapisem b\u0142\u0119d\u00f3w transkrypcji oraz czasu oczekiwania.<\/p>\n

Typowa implementacja faster-whisper korzysta z CPU lub obs\u0142ugiwanych kart NVIDIA przez CUDA. Google Coral Edge TPU nie jest zamiennym akceleratorem tego rozwi\u0105zania. Przy zbyt wolnej transkrypcji mo\u017cliwe jest przeniesienie us\u0142ugi na wydajniejszy lokalny komputer. Dla ograniczonego zestawu polece\u0144 domowych alternatyw\u0105 jest Speech-to-Phrase, z wi\u0119kszymi ograniczeniami dla swobodnej tre\u015bci. Whisper pozostaje przydatny przy potrzebie otwartej transkrypcji.<\/p>\n

3. Konfiguracja lokalnych us\u0142ug i asystenta<\/h2>\n
    \n
  1. Sprawdzenie rodzaju instalacji:<\/strong> Home Assistant OS oferuje zarz\u0105dzane aplikacje, wcze\u015bniej nazywane dodatkami. Home Assistant Container wymaga osobno uruchomionych us\u0142ug g\u0142osowych. Dawna instalacja Supervised nie jest wspierana od Home Assistant 2025.12.<\/li>\n
  2. Przygotowanie us\u0142ug:<\/strong> W Home Assistant OS zainstalowa\u0107 i uruchomi\u0107 Whisper oraz Piper, nast\u0119pnie doda\u0107 wykryte integracje Wyoming. Us\u0142ugi zewn\u0119trzne wymagaj\u0105 rzeczywistego adresu i skonfigurowanego portu. Wyoming \u0142\u0105czy te us\u0142ugi z Home Assistant; satelita ESPHome korzysta z integracji ESPHome.<\/li>\n
  3. Utworzenie asystenta:<\/strong> W Ustawienia \u2192 Asystenci g\u0142osowi wybra\u0107 j\u0119zyk, Home Assistant jako agenta konwersacji, Whisper do rozpoznawania mowy i Piper do odpowiedzi g\u0142osowej. Model i g\u0142os musz\u0105 pasowa\u0107 do j\u0119zyka i wymagaj\u0105 wcze\u015bniejszego pobrania.<\/li>\n
  4. Udost\u0119pnienie jednej encji testowej:<\/strong> Przyk\u0142adem jest lokalnie pod\u0142\u0105czona lampa z jednoznaczn\u0105 nazw\u0105 i przypisanym obszarem. Encja reprezentuje pojedyncz\u0105 funkcj\u0119 lub stan w Home Assistant, na przyk\u0142ad stan w\u0142\u0105czenia lampy. Sama obecno\u015b\u0107 encji nie pozwala jeszcze Assist sterowa\u0107 lamp\u0105.<\/li>\n
  5. Najpierw tekst, potem g\u0142os:<\/strong> Proste polecenie tekstowe oddziela problemy nazw i udost\u0119pnienia od b\u0142\u0119d\u00f3w mikrofonu oraz transkrypcji. Nast\u0119pnie sprawdzi\u0107 to samo polecenie przez satelit\u0119.<\/li>\n<\/ol>\n

    Us\u0142ugi g\u0142osowe powinny dzia\u0142a\u0107 w zaufanej sieci z ograniczon\u0105 dost\u0119pno\u015bci\u0105. Numer portu z przyk\u0142adu nie oznacza zalecenia udost\u0119pnienia us\u0142ugi w Internecie. Opcjonalny chmurowy agent konwersacji lub integracja urz\u0105dzenia zmienia drog\u0119 danych i wymaga osobnej oceny przy za\u0142o\u017ceniu ca\u0142kowicie lokalnego przetwarzania.<\/p>\n

    4. ESP32-S3-BOX-3: konfiguracja w\u0142a\u015bciwego urz\u0105dzenia<\/h2>\n

    BOX-3 nie jest dowolnie po\u0142\u0105czon\u0105 p\u0142ytk\u0105 ESP32. Mikrofony, kodeki audio, g\u0142o\u015bnik, pami\u0119\u0107 i przyciski wymagaj\u0105 konfiguracji konkretnego wariantu. Og\u00f3lny plik YAML z arbitralnymi pinami I\u00b2S nie stanowi kompletnej instrukcji dla BOX-3.<\/p>\n

    Oficjalna instrukcja urz\u0105dzenia Home Assistant opisuje instalacj\u0119 dla BOX, BOX-3 i BOX-Lite oraz odsy\u0142a do odpowiednich konfiguracji ESPHome. Po konfiguracji w\u0142a\u015bciwego sprz\u0119tu musz\u0105 wsp\u00f3\u0142dzia\u0142a\u0107 Wi-Fi, integracja ESPHome, wybrany asystent i has\u0142o wybudzania. Istniej\u0105ca konfiguracja urz\u0105dzenia wymaga kopii zapasowej przed zmian\u0105 firmware.<\/p>\n

    W\u0142asna konstrukcja wymaga r\u00f3wnie\u017c po\u0142\u0105czenia sieciowego, prawid\u0142owego szyfrowania API, wej\u015bcia i wyj\u015bcia audio oraz logiki rozpocz\u0119cia i wznowienia nas\u0142uchu. Samo use_wake_word: true<\/code> nie tworzy pe\u0142nej p\u0119tli ci\u0105g\u0142ego nas\u0142uchu ani automatycznie nie w\u0142\u0105cza microWakeWord na urz\u0105dzeniu. Walidacja konfiguracji nie zast\u0119puje testu mikrofonu i g\u0142o\u015bnika na rzeczywistym sprz\u0119cie.<\/p>\n

    5. Rozpoznanie etapu powoduj\u0105cego b\u0142\u0105d<\/h2>\n