Voice — Sprachpfad¶

Spracherkennung und Sprachausgabe für Home Assistant, beides über das Wyoming-Protokoll. Das Sprachmodell selbst läuft nicht hier, sondern resident auf llama-swap.

Endpunkte¶

Dienst	Endpunkt	Modell
STT	`tcp://10.10.10.7:10300`	parakeet-tdt-0.6b-v3 (WER 7,6 %, 0,12 s)
TTS	`tcp://10.10.10.7:10200`	Piper `de_DE-thorsten-high`

Beide Container laufen im Docker-Netz ai und veröffentlichen ihre Ports ins LAN — Wyoming ist binäres TCP und läuft nicht über einen Reverse Proxy.

Kette¶

Wake Word (CPU) → HA → Parakeet (CPU, 0,12 s) → HA → voice-agent (iGPU, resident) → HA → Piper (CPU)

End-to-End: 634 ms im Median. Home Assistant löst einfache Kommandos über seine eigene Intent-Erkennung; das Sprachmodell ist der Auffangpfad für alles, was dort nicht greift.

Die Aufteilung ist Absicht: Alles, was nie warten darf, läuft auf der CPU. Der ASR-Burst von rund 30 Threads über 0,12 s ist unkritisch, und die iGPU bleibt den Sprachmodellen vorbehalten.

Warum Parakeet und nicht Whisper¶

Im Sprachpfad-Turnier (T3, Juli 2026) trat Parakeet gegen Whisper auf der NPU und gegen einen einstufigen gemma4-Ansatz an:

Kandidat	WER	Latenz
Parakeet TDT v3 (CPU)	7,6 %	0,12 s
Whisper (NPU, FastFlowLM)	12,1 %	16-fach

Parakeet gewann in beiden Disziplinen. Der FastFlowLM-Stack wurde daraufhin stillgelegt, der npu-whisper-Container entfernt. Das Whisper-Modell liegt noch unter /opt/ai/npu-models.

Modell-Caches¶

Pfad	Inhalt	Größe
`/opt/ai/volumes/parakeet`	ONNX-Modell	~600 MB
`/opt/ai/volumes/piper`	Stimm-Datei	~100 MB

Beide laden beim ersten Start selbst nach. Sie sind deshalb aus dem Backup ausgeschlossen — reproduzierbar und zusammen 4,9 GB.

Beide Verzeichnisse müssen vorab existieren und 1000:1000 gehören:

sudo mkdir -p /opt/ai/volumes/parakeet /opt/ai/volumes/piper
sudo chown -R 1000:1000 /opt/ai/volumes/parakeet /opt/ai/volumes/piper

Betrieb¶

docker compose -f /opt/aiserver/voice/docker-compose.yaml up -d
docker ps --filter name=wyoming-          # beide healthy?
docker logs wyoming-parakeet --tail 50

Der Healthcheck ist eine TCP-Verbindungsprobe — Wyoming spricht kein HTTP, ein curl gegen den Port läuft ins Leere.

Anbindung in Home Assistant¶

Settings → Devices & Services → Add Integration → Wyoming Protocol, je Endpunkt einmal:

Host 10.10.10.7, Port 10300 (STT)
Host 10.10.10.7, Port 10200 (TTS)

Als Conversation-Agent kommt llama-swap über die OpenAI-kompatible API (http://10.10.10.7:9292/v1, Modell voice-llamacpp).

Der Sprachpfad existiert derzeit doppelt

Parakeet und Piper laufen mit demselben Image und Modell auch auf dem NUC (siehe Voice-Stack). Der NUC-Stack ist dort produktiv angebunden und nutzt Google Gemini als Conversation-Agent; die hiesige Instanz ist die lokale Ablösung. Die Umstellung von Home Assistant auf diese Endpunkte steht noch aus.

Offen¶

Voice-Pipeline gegen echtes Home Assistant fahren (Wyoming-Endpunkte umstellen)
gemma4:e4b als einstufigen Audio-Fallback evaluieren (Ollama temporär starten)