- Mit Home Assistant lässt sich Sprachsteuerung komplett lokal betreiben – ohne dass Sprachaufnahmen an Amazon, Google oder einen anderen Hersteller geschickt werden.
- Das offizielle Referenzgerät dafür heißt Home Assistant Voice Preview Edition, kostet um die 60 US-Dollar/Euro (bei Händlern teils mehr) und läuft mit offener Firmware.
- Amazon und Google bauen ihre lokalen Optionen bei Alexa und Google Assistant gerade ab statt aus – die Cloud-Pflicht wächst dort, nicht die Wahlfreiheit.
- Für feste Befehle wie „Schalte die Lampe ein“ ist lokale Verarbeitung inzwischen alltagstauglich schnell; freies Sprachverständnis per lokalem Sprachmodell braucht noch ordentlich Rechenleistung.
Wer heute „Alexa, mach das Licht aus“ sagt, schickt diesen Satz an einen Server von Amazon. Das war nicht immer die einzige Option – aber seit März 2025 ist es das bei aktuellen Amazon-Geräten praktisch wieder geworden. Wer stattdessen sein Smart Home selbst betreibt, hat mittlerweile eine ernstzunehmende Alternative: einen kompletten Sprachassistenten, der auf dem eigenen Server im Haus läuft und dessen Aufnahmen das Netzwerk nie verlassen müssen. Dieser Artikel zeigt, wie das technisch funktioniert, was es kostet und wo die Grenzen liegen.
Warum Hersteller-Cloud gerade unattraktiver wird
Bis vor Kurzem konnte man bei bestimmten Amazon-Echo-Geräten (etwa dem Echo Dot der 4. Generation oder dem Echo Show 10/15) die Option „Sprachaufnahmen nicht senden“ aktivieren, damit Befehle nur lokal auf dem Gerät verarbeitet wurden. Am 28. März 2025 hat Amazon diese Möglichkeit abgeschafft – die Umstellung auf das cloudbasierte Alexa+ mit generativer KI macht sie technisch überflüssig. Wer die Funktion behalten wollte, verlor außerdem die VoiceID, also die Stimmerkennung einzelner Haushaltsmitglieder.
Bei Google zeichnet sich ein ähnliches Bild ab: Der Google Assistant wird schrittweise durch „Gemini for Home“ ersetzt, angekündigt ab Oktober 2025, in den USA seit dem 28.10.2025 verfügbar und bis Frühjahr 2026 auf weitere Sprachen und Länder ausgeweitet – wobei der genaue Rollout-Stand für Deutschland zum Zeitpunkt der Veröffentlichung dieses Artikels noch unklar ist. Auch hier bleibt die Verarbeitung cloudbasiert, eine Ausweitung lokaler Optionen ist nicht vorgesehen. Beide großen Anbieter bewegen sich also in Richtung mehr Cloud statt weniger – ein verbreiteter Irrtum ist die Annahme, Datenschutzdruck würde die Hersteller zum Gegenteil bewegen.
Der offene Weg: Home Assistant und das Wyoming-Protokoll
Home Assistant, die verbreitete Open-Source-Software zur Steuerung von Smart-Home-Geräten, bietet seit der „Year of Voice“-Initiative (läuft seit 2022/2023 in fortlaufenden Ausbaustufen, den sogenannten „Voice Chapters“) einen kompletten lokalen Sprachassistenten an. Die einzelnen Bausteine – Mikrofon, Spracherkennung, Sprachausgabe und die Steuerungszentrale selbst – kommunizieren dabei über das Wyoming-Protokoll, einen offenen Standard aus dem inzwischen eingestellten Rhasspy-Projekt. Vereinfacht gesagt ist Wyoming so etwas wie eine gemeinsame Sprache, über die verschiedene Sprachassistenz-Bausteine unabhängig voneinander ausgetauscht werden können, ohne dass ein Hersteller alles aus einer Hand liefern muss.
Ein wichtiger Hinweis vorab, weil er noch häufig zu lesen ist: „Für lokale Sprachsteuerung braucht man Rhasspy“ stimmt nicht mehr. Das gesamte Rhasspy-Projekt – inklusive der Text-to-Speech-Software Piper – wurde am 6. Oktober 2025 archiviert und wird nicht mehr weiterentwickelt. Home Assistant setzt seither auf einen eigenständigen Stack rund um Wyoming, der die einzelnen früher von Rhasspy stammenden Komponenten wie Piper weiterhin einbindet, auch wenn diese selbst nicht mehr weiterentwickelt werden.
Die Bausteine des lokalen Sprachstacks
- Whisper – ein Spracherkennungsmodell (Speech-to-Text) von OpenAI, das gesprochene Sprache in Text umwandelt. Größere, genauere Varianten brauchen dafür eine Grafikkarte (GPU).
- Piper – die Text-to-Speech-Komponente, die aus Textantworten wieder gesprochene Sprache erzeugt. Trotz der Projekt-Archivierung funktioniert sie als sogenanntes Add-on (ein nachinstallierbares Zusatzmodul) in Home Assistant unverändert weiter.
- openWakeWord bzw. microWakeWord – erkennen das Aktivierungswort (etwa „Hey Jarvis“), bevor überhaupt etwas aufgezeichnet wird. microWakeWord wurde mit Home Assistant 2025.3 eingeführt und läuft direkt auf einem speziellen Rechenkern (NPU) im Mikrofon-Gerät statt auf dem Server.
- Speech-to-Phrase – eine schablonenbasierte Alternative zu Whisper für feste Befehlsmuster wie „Schalte {Name} ein“. Sie erkennt keine freien Sätze oder Wildcards, ist dafür aber sehr schnell: Die Transkription dauert auf Home Assistant Green oder einem Raspberry Pi 4 (einem kleinen Einplatinencomputer) unter einer Sekunde, auf einem Raspberry Pi 5 nur etwa 150 Millisekunden.
Die passende Hardware: Home Assistant Voice Preview Edition
Als Mikrofon und Lautsprecher dient in der Regel ein sogenanntes Satelliten-Gerät, das Sprache aufnimmt und an den Home-Assistant-Server weiterreicht. Das offizielle Referenzgerät dafür ist die Home Assistant Voice Preview Edition (kurz Voice PE) von Nabu Casa, dem Unternehmen hinter der Open Home Foundation. Sie basiert auf einem ESP32-S3-Mikrocontroller mit einem zusätzlichen XMOS-Audiochip, der für Echo-Unterdrückung, Rauschreduzierung und automatische Lautstärkeanpassung bei der Aufnahme sorgt – wichtig, damit das Gerät den Nutzer auch über laufende Musik oder einen Fernseher hinweg versteht. Die Firmware ist komplett offen und läuft über ESPHome, eine Software zum Einrichten von Mikrocontroller-Geräten für Home Assistant. Der Preis liegt bei etwa 59 bis 60 US-Dollar bzw. Euro ab Werk, bei Händlern teils auch höher.
Wichtig zu wissen: Die Verarbeitung der Sprachbefehle lässt sich bei der Voice PE frei wählen – entweder vollständig lokal auf dem eigenen Home-Assistant-Server oder optional über die kostenpflichtige Home Assistant Cloud von Nabu Casa. Für einen wirklich cloudfreien Betrieb muss man also aktiv die lokale Verarbeitung einstellen.
Als günstigere Alternative gibt es das ESP32-S3-BOX-3 für etwa 50 Euro, das zusätzlich ein Display mitbringt, aber ohne XMOS-Chip bei der Mikrofonqualität schwächer abschneidet als die Voice PE. Wer mehr Wert auf Klangqualität legt, findet bei Apollo Automation und Everything Smart Voice-PE-basierte Satelliten mit besseren Lautsprechern für 80 bis 130 Euro.
Lokale vs. Cloud-Verarbeitung im Vergleich
| Merkmal | Lokal (Home Assistant + Wyoming-Stack) | Home Assistant Cloud (Nabu Casa) |
|---|---|---|
| Sprachdaten verlassen das Haus | Nein | Ja |
| Laufende Kosten | Keine (nur Strom/Hardware) | Ab ca. 6,50–8 US-Dollar/Monat (Angaben unsicher, teils ca. 75 Euro/Jahr genannt) |
| Einrichtungsaufwand | Höher, eigene Server-Konfiguration nötig | Gering, wenige Klicks |
| Geschwindigkeit bei festen Befehlen | Sehr gut mit Speech-to-Phrase | Gut |
| Freies Sprachverständnis | Möglich, aber rechenintensiver (siehe unten) | Gut, da Cloud-Rechenleistung |
Wenn es mehr als feste Befehle sein soll: lokale Sprachmodelle
Speech-to-Phrase deckt nur eine Teilmenge fester Befehlsmuster ab. Wer stattdessen frei formulieren möchte („Ist im Wohnzimmer noch jemand wach?“), braucht ein Sprachmodell (LLM), das die Anfrage versteht und sinnvoll auf die vorhandenen Smart-Home-Geräte anwendet. Home Assistant bindet dafür seit Version 2024.4 offiziell Ollama ein, eine Server-Software zum lokalen Betrieb solcher Modelle. Mit Version 2025.9 wurde diese Integration zum offiziellen Standard-Einrichtungspfad für lokale Sprachsteuerung mit LLM erklärt. Laut Herstellerangaben nutzen aktuell etwa 2,2 Prozent der aktiven Installationen diese Funktion – ein Hinweis darauf, dass es sich um eine fortgeschrittene Ausbaustufe handelt, nicht um die Standardeinrichtung.
Der Grund für die geringe Verbreitung dürfte der Hardwarebedarf sein: Ein Modell mit 7 bis 8 Milliarden Parametern (in einer speicherschonenden 4-Bit-Version) benötigt etwa 8 GB Grafikspeicher (VRAM), um in Echtzeit zu antworten. Das ist deutlich mehr, als ein normaler Homelab-Server ohne dedizierte Grafikkarte mitbringt.
Eine spürbare Verbesserung kam mit Home Assistant 2025.8 im Rahmen des „Summer of AI“-Updates: Die Sprachausgabe beginnt inzwischen schon zu sprechen, während die Antwort des Sprachmodells noch generiert wird, statt auf die komplette Antwort zu warten. Das macht Sprachantworten gefühlt etwa zehnmal schneller – besonders spürbar bei lokalen, naturgemäß langsameren Modellen. Ebenfalls seit 2025.8 gibt es die sogenannte AI-Task-Integration, mit der Automatisierungen KI-Modelle direkt aufrufen können, zum Beispiel um Kamerabilder auszuwerten.
Server-Hardware für den eigenen Sprachassistenten
Wer Home Assistant nicht bereits als Zusatzdienst auf einem bestehenden NAS (Network Attached Storage, also einem Speicher, der am Netzwerk hängt) oder Homelab-Server betreibt, kann auf eine fertige Appliance zurückgreifen: die Home Assistant Green. Sie kam im September 2023 für 99 US-Dollar auf den Markt, wurde seither aber zweimal deutlich teurer – über 159 US-Dollar bis aktuell 199 US-Dollar bzw. 179 Euro (angekündigt Januar 2026, wirksam ab etwa April 2026). Nabu Casa nennt als Grund den Anstieg der Arbeitsspeicherpreise durch den KI-Boom, nicht etwa einen klassischen Chip-Engpass. Wer einen günstigeren Einstieg sucht: Für einfache Befehle per Speech-to-Phrase reicht laut den oben genannten Geschwindigkeitswerten auch ein Raspberry Pi 4 oder 5 aus.
Nabu Casa Home Assistant Voice – Vorschau-Edition
Das offizielle Referenzgerät für lokale Sprachsteuerung mit Home Assistant, wie im Artikel beschrieben.
Preis prüfen * (74,98 €, Stand 12.09.2026)
Ein Wort zu Mycroft und anderen Alternativen
Wer länger im Smart-Home-Umfeld unterwegs ist, kennt vielleicht noch Mycroft AI als offene Alexa-Alternative. Die Firma dahinter musste Anfang 2023 nach einem zermürbenden Patentstreit und Geldmangel den Betrieb einstellen. Der Code lebt als Community-Projekt unter dem Namen OpenVoiceOS (ovos-core) weiter, ist aber eine andere Baustelle als der Home-Assistant-Voice-Stack und richtet sich eher an Nutzer, die einen eigenständigen Sprachassistenten außerhalb von Home Assistant aufbauen wollen.
Fazit
Eine cloudfreie Sprachsteuerung ist mit Home Assistant heute keine Bastelei mehr, sondern ein Weg mit offiziellem Referenzgerät, dokumentiertem Protokoll und aktiver Weiterentwicklung. Für feste Befehle – Licht an, Heizung runter, Rollladen zu – liefert der lokale Stack inzwischen alltagstaugliche Geschwindigkeiten. Wer freies Sprachverständnis will, braucht zusätzlich Rechenleistung für ein lokales Sprachmodell und muss abwägen, ob sich das lohnt, oder ob die feste Befehlsliste im Alltag ohnehin ausreicht. Klar ist: Während Amazon und Google ihre Nutzer weiter in die Cloud drängen, wird der lokale Weg bei Home Assistant gerade komfortabler statt komplizierter.