Home Assistantの音声サテライト：家の中だけで聞いて答えるローカル音声構成

音声サテライトはマイクで音を受け、スピーカーで答えを出す機器です。ウェイクワードを自分で検知してHome Assistantへの接続を開き、音声をストリームで送ります。判断と保存はHome Assistantが行い、サテライトは音だけをやり取りします。

そのため、サテライトを複数置いてもパイプライン¹は1つで動きます。部屋ごとにサテライトを置き、同じ文字起こし・合成サービスを共有すれば、部屋を移っても同じように話せます。

Home Assistantが用意するローカル文字起こしは2つです。コマンドだけを理解するSpeech-to-Phraseと、すべてを文字起こしするWhisperです。速度と範囲が正反対に分かれます。

家の操作だけならSpeech-to-Phraseが有利です。リストにない文は理解できませんが、GreenやPi 4でも1秒未満で終わります。逆に書き起こした文を他の用途に使うならWhisperが必要で、その分速い機器が要ります。

合成はPiperが担います。Pi 4でも1秒で1.6秒分の音声を作るローカルなニューラル音声合成です。答えが短ければ合成時間も短く、音声の往復で占める割合は大きくありません。

声の品質は言語とモデルで大きく変わります。韓国語なら韓国語のモデルを選び、同じ文を何度か聞いて発音と速さを確認します。

1）Home AssistantにWhisperとPiperのアプリを入れます。2）Wyoming²連携がサービスを自動で見つけます。見つからない場合はアドレスとポートを手入力します。3）音声アシスタントで新しいパイプラインを作り、ウェイクワード、文字起こし、合成、会話エージェントを選びます。

4）サテライトを追加し、そのパイプラインを指定します。5）照明を1つ音声で点けて、応答時間と聞き間違えた文を記録します。アプリを別の機器に入れたなら、Wyoming連携にその機器のアドレスを入れます。

最大の変数は文字起こしの機器です。Pi 4で8秒かかった転写がIntel NUCでは1秒未満になります。サテライトとHome Assistantを有線でつなぎ、文字起こしサーバーも同じスイッチに置くとネットワーク待ちが減ります。

会話モデルを足すとモデル応答時間が加わります。短く答えるよう指示し、モデルを文字起こしサーバーと同じ機器に置くと往復が1回減ります。

Speech-to-Phraseはリストにない言葉を理解できません。買い物リストへの追加やタイマーへの名前付けにはWhisperが必要です。逆にWhisperだけだと、遅い機器では8秒待つことになります。

韓国語の品質はモデルごとに違うので、同じ文を3回言って聞き間違いが多いならモデルを替えるほうが早いです。クラウド音声で一時的に動かして差を比べるのも手です。