Durante años, tener un asistente de voz en casa significaba, casi por obligación, aceptar que Google, Amazon o Apple escucharan (y almacenaran) todo lo que se decía cerca del altavoz. Ese equilibrio ha empezado a cambiar de verdad con Home Assistant Voice, el proyecto que permite montar un asistente de voz que reconoce comandos en español, entiende el contexto de tu instalación domótica y responde, todo ello sin que una sola palabra salga de tu red local. Llevamos varios meses probándolo a fondo y en este artículo explicamos cómo funciona y cómo montarlo.
Por qué este proyecto está generando tanto interés ahora mismo
Los asistentes de voz locales llevan años siendo una posibilidad técnica, pero hasta hace relativamente poco requerían hardware potente y ofrecían un reconocimiento de voz mediocre, especialmente en español. La combinación de dos avances recientes ha cambiado esto por completo:
- Whisper, el motor de reconocimiento de voz de código abierto, ha alcanzado una precisión en español sorprendentemente alta incluso en sus versiones más ligeras, ejecutándose en hardware doméstico modesto.
- Piper, el motor de síntesis de voz (texto a voz) local, genera respuestas habladas naturales sin depender de servicios en la nube.
Sumado al hardware oficial dedicado que ha lanzado el propio proyecto Home Assistant para este fin, el resultado es, por primera vez, un asistente de voz local que se siente realmente comparable en velocidad y naturalidad a las alternativas comerciales, sin sacrificar la privacidad.
Cómo funciona el flujo de voz completo
- Wake word (palabra de activación): el dispositivo de voz detecta localmente una palabra clave (por ejemplo, «Okay Nabu» o una personalizada) sin enviar audio a ningún sitio hasta que se detecta esa palabra.
- Transcripción con Whisper: una vez activado, el audio se envía a tu servidor Home Assistant, donde Whisper transcribe la voz a texto localmente.
- Procesamiento del comando: Home Assistant interpreta el texto y lo relaciona con tus dispositivos, áreas y automatizaciones («enciende la luz del salón», «¿qué temperatura hay en el dormitorio?»).
- Respuesta con Piper: el sistema genera una respuesta en texto y la convierte en voz de forma local mediante Piper, que se reproduce en el propio dispositivo o altavoz.
Todo este proceso, en nuestras pruebas con hardware recomendado (un mini PC de gama media dedicado a esta tarea), se completa en un tiempo muy similar al que tardan los asistentes comerciales, algo que no esperábamos la primera vez que lo probamos.
Qué hardware necesitas
- Un dispositivo de captura de voz: puede ser el hardware oficial de Home Assistant diseñado específicamente para este propósito (con micrófono de array y cancelación de eco), o proyectos DIY basados en ESP32-S3 con micrófono, más económicos pero algo más limitados en calidad de captura en habitaciones ruidosas.
- Un servidor con capacidad suficiente para ejecutar Whisper y Piper: aunque existen modelos de Whisper muy ligeros que funcionan en una Raspberry Pi, la experiencia mejora notablemente con un mini PC x86 o, mejor aún, con una GPU dedicada (incluso modesta) que acelere la transcripción y reduzca la latencia de respuesta.
En nuestra instalación, ejecutar Whisper y Piper en un mini PC con procesador Intel de gama media, sin GPU dedicada, ofrece tiempos de respuesta que consideramos perfectamente utilizables en el día a día, aunque notamos una diferencia clara de velocidad frente a las pruebas que hicimos con una GPU de por medio.
Instalación paso a paso
- Instala los complementos Whisper y Piper desde la tienda de complementos de Home Assistant, eligiendo el idioma español en ambos casos durante la configuración.
- Instala el complemento openWakeWord (o el motor de palabra de activación equivalente) para gestionar la detección local de la palabra clave.
- Ve a Ajustes > Voz > Asistentes y crea un nuevo «pipeline» de voz, seleccionando Whisper como motor de reconocimiento, Piper como motor de síntesis, y el motor de conversación integrado de Home Assistant (o uno más avanzado si lo prefieres) como procesador de comandos.
- Conecta tu dispositivo de captura de voz (oficial o DIY) a este pipeline recién creado.
- Prueba el asistente con comandos sencillos («enciende la luz de la cocina», «¿está abierta la puerta del garaje?») y ajusta la sensibilidad del micrófono y de la palabra de activación según el resultado.
Comandos que hemos probado con buenos resultados en español
- Encender y apagar dispositivos por nombre o por área («apaga todas las luces del piso de arriba»).
- Consultar estados de sensores («¿qué temperatura hay en el salón ahora mismo?»).
- Activar escenas y automatizaciones predefinidas («activa la escena de cine»).
- Temporizadores por voz («pon un temporizador de 10 minutos para la pasta»).
Para comandos más abiertos o conversacionales, algunos usuarios optan por conectar el pipeline de voz a un modelo de lenguaje más avanzado como motor de conversación (ejecutado localmente o mediante una API externa, según prioridades de privacidad de cada uno), lo que amplía notablemente la naturalidad de las respuestas más allá de comandos fijos.
Comparativa frente a asistentes comerciales
| Criterio | Home Assistant Voice (local) | Google Home / Alexa |
|---|---|---|
| Privacidad | Total, nada sale de casa | Datos procesados en la nube del fabricante |
| Coste mensual | Ninguno | Ninguno (pero con publicidad/datos como «pago») |
| Personalización de comandos | Total | Limitada al ecosistema del fabricante |
| Naturalidad conversacional | Buena y mejorando rápido | Muy alta, años de refinamiento |
| Requiere hardware propio | Sí | No (integrado en el altavoz) |
| Funciona sin internet | Sí | No |
Conclusión
Home Assistant Voice, combinando Whisper y Piper, representa uno de los avances más importantes de los últimos tiempos dentro del mundo de la domótica local: por primera vez, es realista montar un asistente de voz en español que entiende bien los comandos, responde con naturalidad y, sobre todo, no envía ni una sola grabación a ningún servidor externo. Todavía no alcanza, en comparación directa, la naturalidad conversacional de las grandes plataformas comerciales para preguntas muy abiertas, pero para el uso diario de controlar la casa por voz —que es, al final, lo que la mayoría de la gente busca— nuestra experiencia tras varios meses de uso diario ha sido sorprendentemente positiva.