我构建了一个无需互联网的本地语音助手，而且它真的能听懂我说话|wi-fi|互联网|智能家居|语音助手|麦克风

html

任何智能家居用户都熟悉那种令人恼火的体验：让云端智能音箱关掉一盏台灯。你会发现，音频被录制下来，通过互联网传送到企业数据中心，经过处理，然后再发送回来。如果失败，你会看到旋转的红色或橙色光环，那是报错信号；接着一个机械声音响起，抱怨连接有问题。如果成功，你会发现关掉台灯所花的时间，远比你干脆站起来亲手关掉要慢得多。

相比之下，本地设置则截然不同：你对桌上一个不起眼的、不赚钱的麦克风下达指令。本地灯光瞬间亮起，一个自然流畅的声音回应你，而整个过程没有一个数据包离开你的家门。

构建一个私人语音助手过去意味着要在准确性上妥协，或者在 Linux 终端配置中费劲地敲命令。然而，得益于 Home Assistant 本地语音引擎近期的工程飞跃，你现在可以构建一个完全本地化、离线的智能音箱，速度和意图理解上不输大厂产品，而且零月租。

软件三部曲

你的新语音助手能真正理解你

在动手之前，你得先搞明白离线语音栈是咋回事儿。服务器后端靠三个开源软件撑着，才能实现这个功能。头一个就是语音转文字软件。比如 Whisper 就是个例子。OpenAI 那个开源的 Whisper 模型，尤其是 Faster-Whisper 这种优化版，能把人说的话直接转成文字。当然，硬件这块儿也关键，树莓派 4 得花个六到八秒才能听懂一句话，但一台不贵的 Intel N100 迷你电脑，300 毫秒不到就搞定了。

第二个是意图识别，这个用 Home Assistant Assist 就能搞定。用上 Home Assistant Assist，你的话就不再是干巴巴的词儿了，它能变成一个真懂你的系统。它不像那些大语言模型，瞎猜一气还乱编指令，ASSIST 靠的是个写死的、原生短语匹配模板。它立马就能执行自动化，因为它是直接连着你家智能家居的数据库，不用绕弯子。

而构成神圣三位一体的第三个也是最后一个支柱，就是你的文本转语音功能。这样一来，你的新智能家居助手就能真正开口回应你了。Piper 是这方面的一个绝佳选择，因为它是一个极致优化的本地神经文本转语音引擎。不像以前那种断断续续、机器人腔的老式 Linux 语音，Piper 能在本地生成逼真、高保真的人声回应，而且几乎不占啥系统内存。

你还需要硬件

而且它比 Amazon Echo 便宜得多

当然，除了要搞定的那些软件，硬件也是重中之重。家里装个实体麦克风，就能在房间里捕捉语音指令，根本不用花大钱买高端设备。像 Home Assistant Voice 预览版，甚至定制的 M5 Stack ATOM Echo 板，都能靠 ESPHome 在便宜的 ESP32-S3 微控制器上跑得飞起。

通过将ESP32-S3微控制器与像XMOS这样的双麦克风阵列配对，你就得到了你的硬件卫星。再加上一个物理静音开关，就是绝佳配置了。虽然它可能看起来不是最完美的，但你总是可以3D打印一个外壳来容纳这一切，这样放在办公桌或厨房里时，更炫酷。

一个物理硬件拨动开关，直接切断麦克风的电源线路，这一点至关重要。这是一个基于物理而非代码构建的安全屏障。该卫星没有操作系统或本地存储，并且只能在被其本地唤醒词引擎触发时，通过本地Wi-Fi传输原始音频数据。

如何开始设置

这个过程比你想象的要简单

所以，一旦你准备好了软件组件和硬件设备，就可以开始操作了。首先，安装语音附加组件。进入你的 Home Assistant 设置面板，通过插件商店安装本地 Whisper 和 Piper 组件。等这些组件装好，并确保它们在进入下一步之前正确启动。

接下来是通过 Wyoming 协议进行连接。组件启动后，Home Assistant 应该会自动通过 Wyoming 集成发现它们，这是一种超轻量级的通信协议，用来在本地服务器之间传递音频数据。现在，你可以设置你的语音助手档案了。打开设置，选择 语音助手，并新建一个配置文件。将“语音转文本”字段关联到 Whisper，并将“对话助手”设置为 Home Assistant。在 Piper 中选择你喜欢的本地语音。

接下来，是时候刷新并配置你的麦克风了。通过USB将你的ESP32-S3语音卫星连接到电脑。使用基于浏览器的ESP home工具，通过网络在线刷新原生语音固件。将其连接到本地Wi-Fi子网，并添加到你的控制面板中。这样，你就可以直接用了。你创建的硬件可以像标准智能家居中枢和语音助手（如Google Assistant和Alexa）一样使用。