Конфигурация моего умного дома: чем будем управлять

Мой умный дом строился с прицелом на автономность, надежность и открытые стандарты - так, чтобы управление работало даже при полном отсутствии интернета. На данный момент архитектура системы выглядит следующим образом.

Мозг системы: центральный контроллер - это Raspberry Pi 4 Model B с 2 ГБ оперативной памяти, установлен в 2022 году. На него установлена Home Assistant OS - полноценная операционная система, заточенная под локальное управление умным домом - подробнее описывал в другой статье. Вся логика автоматизаций, интерфейс управления и интеграции работают исключительно локально, без необходимости в сторонних облаках.

Протоколы связи: большая часть устройств использует Wi-Fi через прошивку ESPHome - это 17 модулей: от простых температурных датчиков до управляющих реле в светильниках.

Ключевую нагрузку по управлению берет на себя Zigbee-сеть: 42 устройства, объединённые с помощью USB-донгла Sonoff Zigbee 3.0 Plus и интеграции Zigbee2MQTT. Это датчики, реле освещения и другие элементы.

Что управляется:

• Освещение: в каждой комнате - два контура: тусклый (вечерний) и яркий, плюс светодиодная лента в спальне, освещение общего коридора с двумя режимами.

• Климат: кондиционеры, обогрев ванной комнаты через реле теплого пола.

• Электропитание и бытовая техника: управляемая розетка для ТВ, стиралка, холодильник, посудомойка, чайник.

• Датчики: движения, открытия, температуры и влажности.

• Шторы: моторизованные рулонные и классические.

• Мультимедиа: управление Kodi на медиаплеере и доступ к медиатеке NAS Synology, панель управления умным домом.

• Безопасность: камера видеонаблюдения из подъездного домофона, IP-камера у лифтов, управление домофоном в многоквартирном доме - автовахтер по моим правилам.

Все эти устройства уже управляются локально, без облачных зависимостей - кроме стиралки Bosch, купленной ещё в 2022 году.

Теоретический минимум: из чего состоит локальный голосовой помощник

Однако чтобы убрать колонку Яндекса и заменить Алису на полностью автономного голосового помощника, нужно понять, из каких компонентов он состоит. Это не “одна программа”, а целая цепочка взаимодействующих модулей, каждый из которых выполняет свою задачу:

Микрофон и динамик («Уши и рот» системы) - это устройства, которые слышат пользователя. Не должно быть колхоза из датчиков. Устройство должно выглядеть современно и не портить интерьер.

В моем случае я присматриваюсь к двум: компактный M5Stack ATOM Echo для комнат и более продвинутый ESP32-S3-BOX для гостиной.

Они захватывают звук и отправляют его на сервер для дальнейшей обработки.

Wake Word движок: нужен, чтобы система слушала нас постоянно, но реагировала только по ключевой фразе (например, «Привет, пирожок!»). Используем OpenWakeWord - полностью локальный и настраиваемый.

Speech-to-Text (STT): этот модуль превращает речь в текст. Здесь смотрю на Whisper от OpenAI - пишут что это один из самых точных и устойчивых к шуму движков, работающий прямо на локальном сервере. Про его выбор чуть ниже.

Распознавание намерений (Intent Recognition): после получения текста нужно понять смысл команды. Эта задача ложится на встроенный в Home Assistant механизм Assist, который сопоставляет текст с действиями и сущностями в системе.

Text-to-Speech (TTS): чтобы система могла отвечать голосом, нужен синтез речи. Я планирую использовать Piper - современный, быстрый, качественный, легко интегрируется как Add-on в HA. Как вариант RHVoice - тоже отличный вариант, но Piper сейчас является де-факто стандартом в сообществе HA за простоту и качество.

Wyoming Protocol: связующее звено. Простой, но мощный протокол, через который все эти модули общаются между собой и с Home Assistant.

Речь в текст: почему именно такой стек?

Давайте будем честны: моя Raspberry Pi 4 с 2 ГБ памяти - отличный мозг для автоматизации, но для тяжелых вычислений, таких как распознавание речи в реальном времени, её мощности не хватит.

Поэтому, помимо «ушей» в виде ESP32-S3-BOX и M5Stack ATOM Echo, в систему придется докупить отдельный мини-ПК. Это может быть недорогой китайский NUC-подобный компьютер, который возьмет на себя самую ресурсоемкую задачу - преобразование речи в текст (Speech-to-Text (STT)).

Или может быть Raspberry Pi 5 c 16 ГБ оперативной памяти - цены сопоставимы.

Самый главный вопрос - что на нем будет крутиться? Выбор STT-движка определяет, насколько умным и гибким будет наш ассистент.

Speech-to-Phrase (от Open Home Foundation): это самый легковесный вариант. Он не распознает речь, а просто ищет точное совпадение с заранее заданными фразами.
К тому же это не конкретный движок, а концепция pipeline в HA. По умолчанию он использует тот же Whisper, но его самую легкую модель, чтобы хоть как-то работать на слабых устройствах вроде RPi. Плюс: минимальные требования к железу. Минус: абсолютная негибкость. Система поймет «включи свет на кухне», но проигнорирует «сделай на кухне посветлее». Это не интеллект, а поиск по словарю.

Rhasspy: ветеран мира локальных ассистентов. Мощный, но сложный в настройке комбайн. Главный аргумент против него сегодня: проект развивается медленнее, чем экосистема Home Assistant. Пока Rhasspy остается монолитной системой, связка Assist + Wyoming-протокол ушла далеко вперед в плане гибкости и интеграции.

Whisper от OpenAI - современный стандарт транскрипции. Понимает естественную речь в свободной форме, работает с русским языком. Различные модели (tiny, base, small, medium) позволяют балансировать между скоростью и качеством. Активно развивается, поддерживается сообществом HA, появляются оптимизированные версии вроде distil-whisper. Это выбор на перспективу.

Как избавится от голосового помощника Алисы

Поскольку я нахожусь в активном поиске оптимального решения и уже закупаюсь компонентами, то буду признателен за ваши комментарии, критику и предложения.

Вариант 1: простой и дешевый

Лично для себя я не рассматриваю этот вариант, однако этот путь подойдёт тем, кто хочет попробовать локальное голосовое управление с минимальными затратами времени и денег. Как раз, чтобы "пощупать" концепцию и понять, насколько она жизнеспособна.

Или если вы только планируете сделать умный дом - можно изначально заложить более мощное железо - чтобы всё было на одном севере.

Все компоненты - Home Assistant, распознавание речи (STT) и синтез голоса (TTS) - работают прямо на Raspberry Pi. Один микрофон, одна точка входа, минимум зависимости.

То есть:

[M5Stack ATOM Echo] ← Wi-Fi → [Raspberry Pi 4 (HA + STT + TTS)]

Если брать мой случай:

• Уже есть: Raspberry Pi 4 (2 ГБ) с установленной Home Assistant OS.

• Нужно купить: M5Stack ATOM Echo (примерно 1 400 рублей). Это крошечное устройство с микрофоном, динамиком и Wi-Fi - почти готовый китайский мини-клон Алисы.

Настройка:

1. Прошивка ATOM Echo: через ESPHome. Готовый YAML-конфиг для голосового ассистента легко найти в официальных примерах.

2. Pipeline в HA:

   • STT: Используем Assist pipeline от Open Home Foundation с движком faster-whisper и моделью tiny. Запустится скорее всего даже на Pi 4.

   • TTS: Устанавливаем Add-on Piper - быстрый и качественный синтезатор, особенно с голосами на русском.

Плюсы этого решения:

• Минимальные вложения - только 1 400 рублей и немного времени.

• Простота - всё работает на одном устройстве.

• Быстрый старт - можно реализовать за один вечер.

Минусы:

• Скорее всего заметная задержка из-за слабого железа.

• Нагрузка на Home Assistant - может тормозить работу системы во время STT.

• Плохо масштабируется: один микрофон - ещё приёмлимо, но два и больше будут проблемой.

Вариант 2: «правильная» архитектура с заделом на будущее

Это мой приоритетный путь - вынести ресурсоёмкие задачи обработки речи на отдельный сервер, а Raspberry Pi остаётся заниматься только управлением умным домом. Подход масштабируемый, стабильный и в моём случае надеюсь что будет в разы быстрее.

Схема сложнее:

[Пользователь]

↓ говорит

[ESP32-S3-BOX / M5Stack ATOM Echo] ← микрофон + wake word ("Привет, пирожок!")

↓ захватывает аудио

(по Wi-Fi)

↓

[Мини-ПК: Whisper STT-сервер]

↓ распознаёт речь в текст (Whisper STT)

↓

[Home Assistant на Raspberry Pi 4]

↓ определяет намерение (Assist)

↓ выполняет команду

↓ (опционально)

[Мини-ПК: Piper TTS]

↓ синтезирует голосовой ответ

(по Wi-Fi)

↓

[ESP32-S3-BOX / M5Stack ATOM Echo] ← динамик

↓ озвучивает ответ

[Пользователь]

Железо:

• Уже есть Raspberry Pi 4 (2 ГБ) - Home Assistant, Zigbee, автоматизации.

• Примерно 14 т.р.: Mini PC (Intel N100 или N95) - сервер обработки голоса.

• Примерно 6 т.р. ESP32-S3-BOX - «умный» ассистент для гостиной.

• Примерно 1,4 т.р. M5Stack ATOM Echo - недорогие ассистенты для других комнат.

Сервер обработки голоса (Mini PC):
Устанавливаем легкий Linux (Debian/Ubuntu Server), затем - Docker и Docker Compose. В docker-compose.yml разворачиваем сразу три контейнера:

• Whisper - для распознавания речи (STT).

• Piper - синтез речи (TTS).

• OpenWakeWord - «ключевая фраза» для активации.

С мощностями N100 можно использовать модель Whisper уровня small или даже medium, получая более точное и быстрое распознавание речи, чем на Pi.

Настройка Home Assistant: на Raspberry Pi в этом случае не используется голосовых add-on'ов - только интеграция через Wyoming:

• Заходим в Настройки → Устройства и службы → Добавить интеграцию.

• Добавляем Wyoming Protocol трижды — для каждого из сервисов (Whisper, Piper, WakeWord), указав IP и порты Mini PC.

• Создаём Voice Pipeline, выбираем нужные сервисы из выпадающих списков.

Спутники (ESP32-S3-BOX и ATOM Echo): прошиваются через ESPHome. У ESP32-S3-BOX можно задействовать экран: отображать статус («Слушаю», «Думаю», «Выполняю»), добавляя интерактивности.

Плюсы:

• Ожидаемая быстрая реакция.

• Ожидание распознавания сложных фраз.

• Не грузит Home Assistant.

• Масштабируемость: добавляем спутники - и всё.

Минусы:

• Дороже (нужен Mini PC).

• Потребуются базовые навыки Linux и Docker.

Вариант 3: дорого и сложно

Можно полностью избавиться от Raspberry Pi 4 с 2 ГБ памяти и абсолютно всё перевести на новый мощный сервер. RAM видимо выбрать 16-32 ГБ чтобы с запасом на все. Может быть даже купить NVIDIA VRAM 6 ГБ, но это тогда сильно увеличит стоимость и можно будет забыть о безвентиляторности.

Можно тоже будет использовать Home Assistant OS или Linux (Ubuntu/Debian) + Docker.

Правда это большая работа - много устройств. Пока склоняюсь к второму варианту.

Заключение: свобода выбора

Переход на локального голосового ассистента - это не просто технический эксперимент, а осознанный шаг к созданию по-настоящему приватного и независимого умного дома.

Первый вариант - это отличная, почти бесплатная возможность «пощупать» технологию и понять ее ограничения. Второй - полноценное решение, которое по скорости и качеству скорее всего не уступит Алисе, при этом полностью оставаясь под контролем. Третий вариант - если есть бюджет.

Все пути ведут к одной цели - избавлению от «облачного рабства». До сентября ещё есть время. А расставание с Алисой может быть не только экологичным, но и очень увлекательным!

А каким голосовым помощником пользуетесь вы?

Автор: Михаил Шардин
🔗 Моя онлайн-визитка
📢 Telegram «Умный Дом Инвестора»

29 июля 2025 года

• Распознает речь: Кидаешь ему голосовое, он с помощью Yandex SpeechKit превращает его в текст.

• Понимает смысл: Дальше в дело вступает нейросеть (DeepSeek), которая из этого текста вытаскивает суть: задачи, даты, время, места и даже имена.

• Создает напоминания: Если в сообщении было "Напомни завтра в семь вечера позвонить маме", бот не просто запишет текст, а создаст полноценное напоминание и пришлёт его в нужное время.

• Работает с текстом: То же самое можно делать, просто пересылая ему текстовые сообщения.

• Ведёт архив и статистику: Все заметки можно посмотреть, отредактировать, выполнить (тогда они уйдут в архив).

• Помнит о днях рождения: Есть отдельный раздел, чтобы не забыть поздравить близких.

В общем, получился такой карманный секретарь, который помогает разгрузить голову. Проект я пилю для себя и для людей, поэтому основной функционал бесплатный.

Идея на миллион: Интеграция с Алисой!

И тут меня осенило: а что, если заметки можно будет создавать, вообще не прикасаясь к телефону? Просто сказать: "Алиса, попроси VoiceNote напомнить мне купить хлеб". Идеально же! Сидишь в машине, готовишь ужин, руки заняты — а мысль улетела в Telegram и превратилась в напоминание.

Сказано — сделано. Я поднял на сервере веб-сервер на FastAPI, который работает параллельно с ботом на aiogram. Написал логику для привязки Telegram-аккаунта к аккаунту Яндекса через одноразовый код. Всё по уму: пользователь в боте получает код, говорит его Алисе, и аккаунты связываются.

В теории всё должно работать как часы.

Стена, в которую я упёрся: Странности Яндекс.Диалогов

И вот тут начинается самое интересное. Я дошёл до настройки навыка в консоли Яндекс.Диалогов, и... всё. Я в тупике.

Проблема: при тестировании навыка в консоли диалога - все работает хорошо

Это тесты в приватном режиме бота с Алисой

Но вот стоит мне отправить на публикацию в открытый доступ - начинается дикая вакханалия

Я перерыл всё. Пробовал разные браузеры, чистил кэш, писал в поддержку (пока молчат). Ни кнопки, ни других способов отправки на модерацию.

Получается функционал я пообещал людям а фактически сижу и ничего не могу сделать

Пикабу, помоги!

Собственно, обращаюсь к коллективному разуму. Может, кто-то из вас недавно делал навыки для Алисы и сталкивался с таким?

• Может, я что-то упускаю и есть определенные условия перед отправкой?

• Или я просто слепой и не вижу очевидного? :)

Буду благодарен за любой совет, идею или просто моральную поддержку. Очень уж хочется довести идею до ума и дать людям удобный инструмент.

Ну и, конечно, если вам интересен сам бот — заходите, пробуйте. Он живёт тут: VoiceNote AI. Буду рад любому фидбэку!

Спасибо, что дочитали. Всем добра и работающих API