Sprachsteuerung: Alexa, Google, Siri & Co.

Vom Wake-Word zum Befehl

Jeder Cloud-Assistent horcht die ganze Zeit auf ein bestimmtes Aktivierungswort: „Alexa", „Hey Google" oder „Hey Siri". Erst wenn dieses Wake-Word erkannt wird, beginnt der Lautsprecher, deinen eigentlichen Befehl aufzunehmen und an die Cloud zu schicken. Die Wake-Word-Erkennung läuft dabei lokal auf dem Gerät – der Lautsprecher schickt also nicht jeden beliebigen Ton ins Internet, sondern nur die paar Sekunden nach dem Aktivierungswort.

Praktische Folge: Wenn du das Aktivierungswort änderst (zum Beispiel von „Alexa" auf „Computer" oder „Echo"), reagieren der Echo Dot 5🛒(öffnet in neuem Tab), der Google Nest Mini🛒(öffnet in neuem Tab) und der HomePod mini🛒(öffnet in neuem Tab) deutlich seltener auf ähnlich klingende Wörter aus dem Alltag.

On-Device vs. Cloud-Processing

Nach dem Wake-Word nimmt der Lautsprecher deinen Sprachbefehl auf und wandelt ihn in Text um. Bei Cloud-Assistenten wie Alexa oder Google Assistant passiert das auf Servern des Herstellers – der Befehl wird also über das Internet geschickt, dort ausgewertet und die Antwort zurückgespielt. Das ermöglicht sehr gutes Sprachverstehen, hat aber den Preis, dass deine Sprache dein Haus verlässt.

Apple geht seit iOS 15 einen anderen Weg: Bei Siri werden einfache Befehle direkt auf dem Gerät verarbeitet (On-Device Processing). Erst wenn du bewusst eine komplexe Anfrage stellst, wird die Cloud einbezogen. Lokale Alternativen wie Home Assistant mit dem Wyoming Protocol gehen noch einen Schritt weiter und verarbeiten Sprache komplett im eigenen Netz – ohne dass jemals ein Sprach-Snippet das Haus verlässt.

Intents und Routinen – die Mechanik dahinter

Aus dem erkannten Text macht der Assistent einen sogenannten Intent: eine Absicht wie „Licht im Wohnzimmer auf 70 % dimmen" oder „Routine Guten Morgen starten". Dieser Intent wird dann an die Smart-Home-Zentrale weitergereicht, die wiederum den passenden Befehl an dein Gerät schickt – etwa per WLAN, Zigbee oder Matter.

Routinen sind nichts anderes als gespeicherte Sammlungen solcher Intents: Ein Auslöser (Spruch, Uhrzeit, Sensor-Wert) führt mehrere Aktionen in einer festen Reihenfolge aus. Wie du solche Routinen im Alltag sinnvoll aufbaust, zeigen wir im nächsten Abschnitt.

Typische Routinen für den Alltag

• „Guten Morgen": Rollos hoch, Licht auf 70 %, Wetterbericht vorlesen, Kaffeemaschine an
• „Gute Nacht": Alle Lichter aus, Rollos runter, Heizung auf Nachtmodus, Türen verriegeln
• „Ich gehe raus": Alle Lichter aus, Heizung auf Eco, Kamera scharfschalten, Musik stoppen
• „Film-Abend": Licht auf 10 % warmweiß, Soundbar an, Rollos herunter

Multi-Room: Stimme in jedem Raum

Ein Lautsprecher pro Raum macht dein Smart Home erst richtig bequem. Mit Multi-Room sprichst du in der Küche „Alexa, schalte das Wohnzimmerlicht an" – und es passiert. Lautsprecher gleicher Marke lassen sich auch zu Audio-Gruppen zusammenschalten für synchrones Musikstreaming in mehreren Räumen.

Wie die drei Anbieter mit deinen Daten umgehen

Amazon speichert Sprachaufnahmen standardmäßig auf seinen Servern und nutzt sie zum Training der KI. Du kannst das manuell deaktivieren und Aufzeichnungen löschen – aber das muss aktiv eingestellt werden. Google verfährt ähnlich und verknüpft Sprachdaten mit deinem Google-Konto und Suchverlauf. Apple nutzt seit 2021 On-Device Processing: Dein Sprachbefehl wird auf dem iPhone / Apple HomePod mini verarbeitet und geht nicht an Apple-Server – außer du aktivierst explizit die verbesserte Siri-Erkennung.

Was du tun kannst

• Sprachaufzeichnung deaktivieren oder automatisch löschen: in den App-Einstellungen kannst du Sprachaufzeichnungen stoppen oder den Löschzeitraum auf 3 oder 18 Monate setzen
• Stummschalt-Taste: jeder Echo/Nest hat einen Knopf, der die Mikrofone hardwareseitig abschaltet
• Wake-Word prüfen: ändere „Alexa" auf „Computer" oder „Echo" – das reduziert Fehlauslösungen

Die allgemeinen Sicherheitsmaßnahmen für dein Smart-Home-Netzwerk findest du im Artikel Sicherheit & Datenschutz.

Home Assistant Voice PE (Year of the Voice)

Nabu Casa (die Firma hinter Home Assistant) hat eine Open-Source-Sprach-Pipeline entwickelt. Das Wyoming Protocol (= offenes Protokoll, das Wake-Word-, STT- und TTS-Dienste in Home Assistant verbindet) verknüpft Wake-Word-Erkennung, Speech-to-Text (STT) und Text-to-Speech (TTS) – alles lokal auf deinem Server. Das Home Assistant Voice PE🛒(öffnet in neuem Tab) ist ein kleines Hardware-Gerät mit Mikrofon und Lautsprecher, das direkt an den Home Assistant Green🛒(öffnet in neuem Tab) Hub angebunden wird. Eine ausführliche Schritt-für-Schritt-Anleitung findest du im Artikel Lokaler Sprachassistent einrichten.

Schritt für Schritt zur lokalen Sprachsteuerung

1. Hardware vorbereiten: Nutze einen Raspberry Pi 4 (oder Pi 5) und schließe ein USB-Mikrofon/Konferenzlautsprecher (z. B. Jabra Speak 410) an.
2. Add-ons installieren: Installiere in Home Assistant die Add-ons Whisper (Speech-to-Text), Piper (Text-to-Speech) und openWakeWord (Aktivierungswort-Erkennung).
3. Sprach-Assistent konfigurieren: Gehe in Home Assistant zu Einstellungen > Sprachassistenten und erstelle eine neue Sprach-Pipeline, die die installierten lokalen Dienste Whisper, Piper und openWakeWord nutzt.

Vor- und Nachteile der lokalen Lösung

• Pro: Keine Sprachdaten verlassen dein Haus. Funktioniert ohne Internet. Keine Abos.
• Contra: Sprachverstehen ist noch nicht auf dem Niveau von Alexa/Google. Deutsche Sprache wird unterstützt, ist aber weniger gut trainiert als Englisch.