スマートホームにローカルAIを載せる：音声・会話・映像を家の中で分担する構成

Home Assistantは照明・センサー・空調の状態を集め、自動化を実行する本体です。音声で話しかけると、Assistがウェイクワード→文字起こし→機器コマンドか質問かの判定→音声での応答、の順に処理を渡します。

この4段階を1つのプログラムが全部やる必要はありません。文字起こしと合成はWyomingプロトコルでつながった別サービスが担い、判断が必要な質問はOllamaなどの会話モデルに渡ります。カメラ映像はFrigateが別に受け取り、人や車両を検知します。

4つの役割を1台に詰め込むと消費電力と発熱が増え、1つが遅くなると全体が遅くなります。24時間動かす仕事と重い計算は分けたほうが安定します。

下の表は各役割をどこに置くとよいかをまとめたものです。上の2行だけでも音声コマンドは動き、会話モデルとカメラは必要になったときに足します。

話し終えてから答えが出るまでには4つの区間が積み上がります。ウェイクワード検知、文字起こし、判断と応答、合成です。Home Assistantの資料の数値で計算すると、機器によって差が大きく開きます。

Whisperですべてを文字起こしすると、Raspberry Pi 4では約8秒、Intel NUCでは1秒未満で終わります。ここにモデル応答の1秒と、2秒分の短い答えを作る合成1.2秒を足すと、Pi 4は10秒前後、NUCは3秒前後になります。

照明のオン・オフだけならSpeech-to-Phraseが向いています。GreenやPi 4でも1秒未満で転写が終わるので、残るのはネットワークとモデル応答の時間だけです。

Home AssistantのOllama連携は、別の場所で動くOllamaサーバーを会話エージェントとして使います。サーバーのURL（例：http://192.168.0.20:11434）、モデル名、応答の指示を入れると、Assistがそのモデルに質問を渡します。

機器操作は実験的な機能です。Assist API²で公開したエンティティしか操作できないので、公開リストから錠やガレージドアのような誤動作が危険な機器を外し、照明とスイッチから始めます。

文字起こし・合成・会話・映像検知をすべて家の中で動かせば、音声も映像も外に出ません。Home Assistant Cloudや外部の音声サービスを有効にすると、その区間だけが外に出ます。

会話モデルが外部サーバーにあると、質問文と機器の状態がそこへ送られます。ローカルモデルならその送信がなくなり、代わりにモデルを動かすメモリと電力が家に残ります。

1）Home Assistantを有線ネットワークに置き、自動化を先に安定させます。2）Assistパイプライン³を作り、スマホアプリで1文を試します。3）文字起こしと合成のアプリを入れると、Wyoming連携が自動で見つけます。4）Ollamaサーバーを起動し、連携でURLとモデルを入れます。5）公開エンティティを照明とスイッチから絞ります。

各段階で1つずつ変え、応答時間と聞き間違えた文を記録すると、どこを直すべきかが見えます。音声サテライトとカメラ検知は次の記事で詳しく扱います。

このシリーズは役割分担から始まり、音声、カメラ、会話モデル、まとめとアナウンスへと続きます。12編すべてが家の中のモデルや検知プログラムを直接扱います。必要な回だけ読んでも構いませんが、初めてなら上から2本ずつ読むと理解が早いです。

各回はHome Assistant 2026.10.4とFrigate 0.18の文書に基づき、設定例には実際のキー名をそのまま使っています。アドレスとアカウントは家の環境に合わせて変えてください。