Profi · Kapitel 8 von 14
Lokaler Sprachassistent: Whisper & Piper
Alexa und Google Home hören mit – ein lokaler Sprachassistent nicht. So baust du mit dem Wyoming Protocol, Whisper und Piper einen vollständig privaten Sprachassistenten.
Affiliate-Links: Als Amazon-Partner verdiene ich an qualifizierten Verkäufen – für dich bleibt der Preis gleich.
Das Wichtigste in Kürze
3 Kernaussagen für Schnellleser
Ein lokaler Sprachassistent mit Home Assistant, Whisper und Piper schickt keine Sprachaufnahmen in die Cloud – alles bleibt im Heimnetz. Pro Raum kostet ein Satellit (Pi Zero 2W + Mikrofon-HAT) ab ca. 30–35 €. Die Spracherkennungsgenauigkeit für Deutsch liegt mit Whisper bei 90–95 %.
- Komplett privat: Lokaler Sprachassistent = kein Cloud-Zwang, kein Datenabfluss, keine Abo-Kosten. Audio-Daten verlassen nie dein Heimnetz.
- Architektur: Satelliten (Mikrofon-Geräte in jedem Raum) + Server (Home Assistant mit KI-Modellen). Whisper für Speech-to-Text, Piper für Text-to-Speech, openWakeWord für Aktivierung – alles lokal.
- Einstiegskosten: Ab ca. 30–35 € pro Raum (Pi Zero 2W + ReSpeaker HAT). Der HA-Server läuft idealerweise auf einem Pi 4 oder Mini-PC.
Wyoming Protocol: Die Architektur des lokalen Sprachassistenten
Das Wyoming Protocol ist ein offener Standard (von Nabu Casa initiiert, MIT-Lizenz), mit dem Home Assistant lokale Sprachassistenten aufbaut. Er definiert, wie Geräte wie Mikrofon-Satelliten mit dem HA-Server kommunizieren – unabhängig von Cloud-Diensten.
Wusstest du schon?
Cloud-Sprachassistenten wie Alexa oder Google Home verarbeiten Audio-Dateien auf US-Servern (Schrems-II-Risiko, Cloud Act). Lokale Verarbeitung mit Wyoming Protocol ist die einzige DSGVO-konforme Lösung für sensible Sprachdaten – deine Stimme bleibt im Heimnetz.
Architektur: Satellit und Server
Der lokale Sprachassistent besteht aus zwei Teilen: einem Satelliten (Mikrofon-Gerät in einem Raum) und einem Server (Home Assistant mit den KI-Modellen). Der Satellit erfasst Audio, sendet es per Wyoming Protocol an den Server, der es verarbeitet und die Antwort zurückschickt. Der Server braucht genug Rechenleistung für die KI-Modelle. Der Satellit kann ein sehr kleines Gerät sein.
Satelliten einrichten
Ein Raspberry Pi Zero 2W(öffnet in neuem Tab) mit einem ReSpeaker 2 Mics HAT(öffnet in neuem Tab) ist die günstigste Satellit-Option. Das HAT bringt zwei Mikrofone und einen Lautsprecher-Ausgang für unter 20 Euro. Du installierst Wyoming Satellite auf dem Pi Zero, konfigurierst die IP-Adresse des HA-Servers und verbindest das Gerät in der Home Assistant UI.
Pro-Tipp
Verwende für jeden Raum einen separaten Satelliten. So kann der Sprachassistent erkennen, in welchem Raum du sprichst, und Befehle kontextbezogen ausführen – "Licht aus" schaltet das Licht im Raum des Satelliten aus, der den Befehl empfangen hat.
Whisper: Speech-to-Text lokal und privat
Whisper ist das Open-Source-Spracherkennungs-Modell von OpenAI. Home Assistant hat ein offizielles Whisper Add-on, das das Modell lokal auf deinem Server ausführt. Deine Spracheingaben verlassen nie dein Heimnetz.
Modellgrößen und Genauigkeit
Whisper gibt es in verschiedenen Größen: tiny, base, small, medium, large. Die Größe beeinflusst Genauigkeit und Geschwindigkeit. Die Modellgröße muss zur Hardware passen: Pi 4 → tiny/base, Mini-PC ohne GPU → small, Mini-PC mit NVIDIA-GPU → medium/large, Server mit NVIDIA RTX 3060+ → large-v3 in Echtzeit.
Wyoming Add-on für Whisper
Das Whisper-Add-on in Home Assistant läuft auf dem HA-Server, nicht auf dem Satelliten. Du wählst Modell, Sprache und Gerät. Für Deutsch empfiehlt sich mindestens das base-Modell. Ein Raspberry Pi 4(öffnet in neuem Tab) mit 4 GB RAM schafft small mit akzeptabler Latenz. Für bessere Ergebnisse empfiehlt sich ein Mini-PC.
Das Wesentliche in Kürze
Piper: Text-to-Speech mit natürlicher Stimme
Piper ist ein Community-Open-Source-TTS-Modell (rhasspy/piper auf GitHub), das von Home Assistant offiziell als Add-on integriert wird. Es wandelt die Antwort des Assistenten in natürlich klingende Sprache um – ohne Cloud-API.
Für Deutsch gibt es mehrere Piper-Stimmen mit unterschiedlichen Charakteren. Piper-Modelle werden nach Architektur benannt (z.B. de_DE-thorsten-medium oder de_DE-thorsten-high). High-Quality-Modelle klingen deutlich natürlicher und brauchen auf einem Pi 4 ca. 2–3 Sekunden Synthesezeit. Installiere das Piper Add-on in Home Assistant und konfiguriere die gewünschte Stimme. Die Antwort wird synthetisiert und an den Satelliten zurückgeschickt, der sie über den angeschlossenen Lautsprecher ausgibt.
Pro-Tipp
Piper-Stimmen klingen auf niedrigen Qualitätsstufen roboterhaft. Verwende mindestens das
-medium-Modell deiner Sprache (z.B.de_DE-thorsten-medium). Das-high-Modell klingt deutlich natürlicher – der Mehraufwand auf einem Pi 4 beträgt nur 2–3 Sekunden Synthesezeit.
Wake-Word: Sprachassistent aktivieren
Der Satellit hört dauerhaft auf ein Wake-Word (Aktivierungswort). Erst wenn das Wake-Word erkannt wird, beginnt die Aufnahme und Übertragung an den Server. So läuft keine kontinuierliche Sprachübertragung.
openWakeWord
openWakeWord ist die Standard-Wake-Word-Engine in Home Assistant. Sie erkennt vordefinierte Wake-Words wie "Hey Jarvis" oder "Hey Nabu". Das Modell läuft direkt auf dem Satelliten – der Server muss dafür nicht belastet werden. Für ESP32-basierte Satelliten ist die schlankere microWakeWord-Engine empfohlen, da openWakeWord auf sehr kleinen Geräten die CPU erheblich belastet.
Eigene Wake-Words trainieren
Mit openWakeWord kannst du auch eigene Wake-Words trainieren. Du brauchst ca. 500–1000 Audioaufnahmen des Wake-Words aus verschiedenen Situationen (Abstand, Hintergrundgeräusche, verschiedene Sprecher). Das Training dauert mehrere Stunden auf einem Pi 4 oder besser.
Wusstest du schon?
Wake-Word-Erkennung ist der technisch schwierigste Teil des lokalen Sprachassistenten. Falsch-Positive (Aktivierung ohne Wake-Word) sind ärgerlich, verpasste Aktivierungen frustrierend. Platziere den Satelliten gut (freie Sicht, nicht hinter Möbeln) und kalibriere die Empfindlichkeit.
Hardware-Satelliten: Die wichtigsten Optionen
Hier sind drei bewährte Satellit-Optionen für verschiedene Budgets und Anforderungen:
Raspberry Pi Zero 2W mit ReSpeaker HAT
Der günstigste Satellit: Raspberry Pi Zero 2W(öffnet in neuem Tab) (15 Euro) und ReSpeaker 2 Mics HAT(öffnet in neuem Tab) (12 Euro). Total ca. 30–35 Euro mit Netzteil und SD-Karte. Der Pi Zero 2W ist klein genug für die Wand-Montage. Die Mikrofon-Qualität ist ausreichend für normale Wohnräume.
ESP32-S3-Box 3(öffnet in neuem Tab)
Die ESP32-S3-Box 3 von Espressif ist ein kompakter Satellit mit Display, Mikrofon-Array und Lautsprecher in einem Gehäuse. ESPHome-Unterstützung ist eingebaut. Das Display kann Wetterdaten, Uhrzeit oder den aktuellen Status des Assistenten anzeigen. Für ca. 40–50 € ein komplettes, kompaktes Paket ohne Löten.
Home Assistant Voice Preview Edition
Die Home Assistant Voice Preview Edition(öffnet in neuem Tab) (PE) ist der offizielle Satellit von Nabu Casa. Sie ist optimiert für Wyoming Protocol und HA Assist – Plug-and-Play ohne Konfiguration. Das Design ist auf Desktop-Aufstellung ausgelegt. Die PE ist die einfachste Option, kostet aber mehr als die DIY-Varianten.
Fazit: Lohnt sich der Aufwand?
Ein lokaler Sprachassistent ist die einzige DSGVO-konforme Alternative zu Cloud-Assistenten. Wyoming Protocol, Whisper und Piper sind ausgereift genug für den Alltag – mit einem Pi 4 als Server und Pi Zero 2W als Satellit bekommst du für ca. 80–100 € ein vollständig privates System. Der Einrichtungsaufwand ist höher als bei Alexa, die Kontrolle über deine Sprachdaten dafür vollständig.
Häufig gestellte Fragen
Brauche ich zwingend eine GPU für einen lokalen Sprachassistenten?
Funktioniert Wake-Word-Erkennung zuverlässig auf einem Pi Zero 2W?
Welche Sprachen unterstützen Whisper und Piper?
Wie viele Satelliten kann ein HA-Server gleichzeitig verwalten?
Lohnt sich die Home Assistant Voice PE gegenüber der DIY-Variante?
Passende Tools