Lokaler Sprachassistent mit Home Assistant – Smart Home ohne Cloud-Zwang

Hallo, liebe Leser, hier ist wieder Kora. Ein Sprachassistent, der Licht schaltet, Timer stellt und Musik abspielt – und dabei kein einziges Byte an Amazon, Apple oder Google schickt? Genau das hat sich das Team von c't 3003 mit Home Assistant aufgebaut, und ich finde: Da steckt mehr drin als nur Smart-Home-Spielerei.

Warum lokal plötzlich wieder spannend ist

Der Auslöser ist ein ziemlich konkreter: Amazon hat 2025 die lokale Sprachverarbeitung auf Echo-Geräten gestrichen. Alles geht wieder in die Cloud. Und wenn man sich klarmacht, dass so ein Gerät permanent mithört, um auf sein Aktivierungswort zu warten, dann ist die Frage, wo die Verarbeitung stattfindet, keine akademische mehr. Jedes „Mach das Licht aus" wird sonst erst einmal auf fremden Servern transkribiert.

Home Assistant geht den anderen Weg – Open Source, selbst gehostet, und seit einiger Zeit eben auch mit einer wirklich brauchbaren Sprachsteuerung. Das ist für mich ein schönes Beispiel für ein Muster, das wir im Hosting-Umfeld ständig sehen: Datenhoheit ist kein Selbstzweck, sondern eine Architekturentscheidung. Wer die Verarbeitung selbst betreibt, ist nicht davon abhängig, dass ein Anbieter seine Features behält.

Wie die Pipeline technisch funktioniert

Der Aufbau ist angenehm nachvollziehbar und erinnert stark an klassische Microservice-Ketten. Ein kleines Gerät im Raum – im Home-Assistant-Sprech „Satellit" – lauscht auf das Wakeword und schickt den Befehl dann an die zentrale Instanz. Dort läuft eine dreistufige Pipeline:

• Speech-to-Text: Aus gesprochener Sprache wird Text, etwa über Speech-to-Phrase oder faster-whisper.
• Konversationsagent: Er entscheidet, was gemeint ist – also welche Lampe, welcher Raum, welche Aktion.
• Text-to-Speech: Piper erzeugt daraus wieder gesprochene Sprache, die der Satellit abspielt. Die Stimme „Thorsten (high)" wird im Beitrag empfohlen.

Das Schöne daran: Satellit und Backend müssen nicht am selben Ort stehen. Die Home-Assistant-Instanz darf gern im Serverschrank, Keller oder auf dem NAS laufen, während nur die Mikrofone in der Wohnung verteilt sind. Im Testaufbau lief Home Assistant OS in einer VM auf einem NAS, aber ein Raspi oder ein Docker-Container tun es genauso.

Hardware: vom alten Raspi bis zur fertigen Box

Als Satelliten kommen mehrere Varianten infrage: ein umgebauter alter Raspberry Pi, das Smartphone (unter Android sogar als Gemini-Ersatz) oder die Voice Preview Edition direkt von den Home-Assistant-Machern. Die kostet rund 60 Euro, enthält einen ESP32-S3 plus einen Audiochip von XMOS und bringt Störgeräuschfilterung, automatische Pegelregelung und Echo-Unterdrückung mit – damit sich der Assistent nicht selbst zuhört, wenn er antwortet.

Interessant finde ich den Nebeneffekt: Über den Klinkenausgang lassen sich alte Lautsprecher oder eine Stereoanlage anbinden. Zusammen mit dem Music Assistant wird daraus ein Multi-Room-Audio-Setup, das lokale Dateien und Streamingdienste unter einer Oberfläche vereint. Das macht die Lösung auch für Leute attraktiv, die gar kein Smart Home haben, sondern einfach Timer, Wetter und Musik in der Küche per Stimme steuern wollen.

Die Details, an denen es in der Praxis hakt

Ein Punkt, der mir gut gefällt, weil er so typisch ist: Die Sprachsteuerung scheitert in der Praxis selten an der Technik, sondern an der Benennung. Wenn eine Lampe im System „KAJPLATS E14 CWS globe 806 lm" heißt, wird das nichts. Saubere Namen wie „Stehlampe Wohnzimmer" plus Aliasse („Badezimmerlicht", „Decke im Bad") sind der eigentliche Erfolgsfaktor. Wer schon mal DNS-Records oder Hostnames in einem gewachsenen Setup aufgeräumt hat, kennt das Gefühl.

Und noch ein Sicherheitsaspekt, den ich ausdrücklich unterstreichen möchte: Im Beitrag wird empfohlen, dem Assistenten anfangs nur Lichter, Steckdosen, Szenen und Temperatursensoren freizugeben. Alles, was Türen öffnet, bleibt erst einmal draußen. Das ist gelebtes Least-Privilege-Prinzip – ein Sprachinterface ist am Ende eine API ohne starke Authentifizierung, und jeder, der im Raum steht, darf sie bedienen.

Was ich daraus mitnehme

Für mich ist dieses Projekt ein hübscher Beweis dafür, dass Self-Hosting längst nicht mehr nur Mailserver und Nextcloud bedeutet. Spracherkennung und Sprachsynthese laufen inzwischen auf Hardware, die in der Preisklasse eines Einplatinenrechners spielt – und das mit Debug-Ansicht, in der man für jeden Durchlauf sieht, was verstanden wurde und wie lange jeder Schritt gedauert hat. Wer mag, kann den Konversationsagenten zusätzlich per API an ein LLM anbinden, gibt damit aber natürlich einen Teil der Lokalität wieder auf.

Wenn ihr ohnehin einen kleinen Server oder ein NAS betreibt, ist das ein schönes Wochenendprojekt – und ganz nebenbei ein gutes Argument dafür, warum es sich lohnt, Dienste dort laufen zu lassen, wo man selbst die Kontrolle hat.

Bis demnächst, eure Kora

Quelle: heise online