Un assistant vocal local avec Home Assistant

« Éteins la cuisine. » Avec une enceinte du commerce, cette phrase part sur les serveurs d'une grande entreprise, y est transcrite, interprétée, puis renvoyée chez vous sous forme d'ordre. La lampe est à trois mètres, mais la voix a fait le tour du monde.

Home Assistant a son propre assistant vocal, Assist, et il peut faire tout le trajet dans la maison : la voix est transcrite par votre serveur, comprise par votre serveur, et la réponse parlée est fabriquée par votre serveur. Ce guide explique ce qui se passe entre la phrase et l'action, choisit les briques selon la puissance de votre machine, configure un assistant en français, et vous fait passer un premier ordre. Il dit aussi franchement ce que vous perdez par rapport à une enceinte du commerce.

Il suppose une installation qui fonctionne en Home Assistant OS (les briques s'y installent comme des Apps). Si ce n'est pas le cas, commencez par Premiers pas avec Home Assistant. Installer une App est détaillé dans Étendre Home Assistant : intégrations, Apps et Marketplace.

Vérifié sur la documentation officielle de Home Assistant (rubrique Voice control) en octobre 2026. L'assistant vocal évolue presque à chaque version mensuelle : les écrans sont décrits par leur fonction, avec entre guillemets les noms de l'interface anglaise quand ils sont documentés.

Le trajet de la voix

Un assistant vocal n'est pas un seul logiciel, c'est une chaîne de cinq étapes. Home Assistant l'appelle un « pipeline » : chaque maillon peut être remplacé par un autre, local ou dans le nuage, et c'est ce choix maillon par maillon qui décide de ce qui sort de chez vous.

sequenceDiagram
    participant U as Vous
    participant M as Micro (téléphone ou boîtier)
    participant STT as Reconnaissance vocale
    participant A as Agent de conversation
    participant E as Lampe de la cuisine
    participant TTS as Synthèse vocale
    U->>M: « Okay Nabu »
    Note over M: 1. Mot d'activation<br/>détecté sur l'appareil
    U->>M: « Éteins la cuisine »
    M->>STT: Audio de la phrase
    Note over STT: 2. Audio vers texte<br/>(Speech-to-Phrase ou Whisper)
    STT->>A: « éteins la cuisine »
    Note over A: 3. Texte vers intention<br/>« éteindre », pièce « Cuisine »
    A->>E: 4. Action : light.turn_off
    A->>TTS: « Lumières éteintes »
    Note over TTS: 5. Texte vers voix (Piper)
    TTS->>M: Audio de la réponse
    M->>U: « Lumières éteintes »

1. Le mot d'activation (« wake word ») : l'appareil écoute en permanence, mais seulement pour reconnaître un mot précis. Tant qu'il ne l'a pas entendu, rien n'est envoyé. Sur un téléphone, on peut s'en passer en appuyant sur un bouton.
2. La reconnaissance vocale (« speech-to-text », STT) : transforme l'audio en texte. C'est le maillon le plus gourmand.
3. L'agent de conversation (« conversation agent ») : lit le texte et en tire une intention. L'agent intégré, nommé simplement Home Assistant, compare la phrase à une liste de tournures connues (« allume », « éteins », « quelle est la température de ») et aux noms de vos appareils et pièces.
4. L'action : Home Assistant exécute l'ordre, comme le ferait un bouton du tableau de bord.
5. La synthèse vocale (« text-to-speech », TTS) : transforme la réponse texte en voix.

Retenez ceci : l'action, elle, se fait toujours chez vous, même quand la reconnaissance passe par le nuage. Ce qui peut sortir, c'est votre voix.

Choisir ses briques : local ou nuage, maillon par maillon

Reconnaissance vocale : Speech-to-Phrase ou Whisper

C'est le choix qui compte, et il dépend de votre machine.

Speech-to-Phrase ne transcrit pas n'importe quelle phrase : il reconnaît les phrases de commande de la maison, construites à partir de modèles de phrases et des noms de vos appareils, pièces et étages exposés à Assist. Pensez à un standardiste qui ne connaît que l'annuaire de l'entreprise : il ne comprend pas tout, mais il comprend vite ce qui est dans l'annuaire. Selon l'annonce officielle, il transcrit une commande en moins d'une seconde sur un Raspberry Pi 4 ou un Home Assistant Green, et bien plus vite sur un Raspberry Pi 5. Le français fait partie des langues prises en charge depuis son lancement.

Sa limite est la contrepartie de sa vitesse : seules les commandes prévues passent. La documentation cite ce qui ne marche pas d'office : listes de courses, minuteurs nommés, annonces, et toute phrase libre. Il est conçu pour piloter la maison, pas pour dialoguer avec un modèle de langage.

Whisper transcrit n'importe quelle phrase, dans de nombreuses langues dont le français. Mais il est lourd : la documentation compte au moins cinq secondes (environ huit dans un autre passage) sur un Raspberry Pi 4, contre moins d'une seconde sur un mini-PC. Le projet a longtemps recommandé au minimum un processeur de type Intel N100 pour une voix entièrement locale avec Whisper. Cinq secondes entre « éteins la cuisine » et la lampe qui s'éteint, c'est le temps de se lever et d'appuyer sur l'interrupteur.

Synthèse vocale : Piper

Piper fabrique la voix localement. Il est optimisé pour tourner sur un Raspberry Pi 4 et propose des voix françaises, de qualité variable selon la voix choisie : écoutez-en plusieurs avant de fixer votre choix. La documentation officielle le dit elle-même : vérifiez la qualité dans votre langue, elle change beaucoup d'une langue à l'autre.

Et Home Assistant Cloud ?

L'abonnement payant Home Assistant Cloud, vendu par Nabu Casa (la société qui finance le projet), fournit une reconnaissance et une synthèse vocales hébergées sur ses serveurs, appuyées sur les services vocaux de Microsoft Azure. C'est l'option que la documentation présente comme la plus simple, sans matériel puissant. Ce qui part : l'audio de vos phrases et le texte des réponses. Ce qui reste : l'interprétation par l'agent intégré et l'action sur vos appareils. Nabu Casa déclare ne garder aucune trace de votre voix ni de vos commandes. C'est une promesse, pas une preuve technique : si l'objectif est que la voix ne quitte pas la maison, ce n'est pas la bonne option.

Un mot sur les modèles de langage

L'agent de conversation peut être remplacé par un modèle de langage (le même type de logiciel que les assistants d'IA conversationnels), qui comprend des phrases bien plus libres. Branché sur un service en ligne, il reçoit le texte de vos phrases et la liste des appareils exposés : votre voix reste chez vous si la transcription est locale, mais pas vos demandes. Le faire tourner localement demande une machine nettement plus puissante, avec une carte graphique : le guide Poser ses questions à une IA sans qu'aucun document ne quitte votre ordinateur explique ce que cela implique. Ce guide s'en tient à l'agent intégré, qui suffit largement pour piloter des lumières.

Installer les briques locales

Sur Home Assistant OS, après une sauvegarde :

1. Ouvrez Paramètres, puis Apps, puis la boutique d'Apps.
2. Installez Speech-to-Phrase (ou Whisper si votre machine le permet), puis Piper. Pour chacune : activez le démarrage automatique, démarrez-la, et vérifiez que son journal se termine sans erreur.
3. Ouvrez Paramètres, puis Appareils et services. Home Assistant découvre chaque brique grâce à l'intégration Wyoming, le protocole qui relie Home Assistant aux services vocaux. Une proposition apparaît pour chacune : acceptez-la (« Add »).

Le mot d'activation n'a pas besoin d'App si vous utilisez un téléphone Android ou un boîtier vocal : il est reconnu sur l'appareil.

Configurer l'assistant

1. Ouvrez Paramètres, puis Assistants vocaux (« Voice assistants »), et ajoutez un assistant (« Add assistant »).
2. Donnez-lui un nom (« Maison locale ») et choisissez la langue Français.
3. Agent de conversation : Home Assistant, l'agent intégré.
4. Reconnaissance vocale : Speech-to-Phrase ou Whisper, langue française.
5. Synthèse vocale : Piper, langue française, puis la voix qui vous convient.
6. Enregistrez, et définissez cet assistant comme assistant préféré, pour que vos appareils l'utilisent par défaut.

L'option « Acts as user » permet de faire agir l'assistant sous l'identité d'un utilisateur précis : utile pour retrouver dans le journal qui a fait quoi, inutile pour commencer.

Exposer les bons appareils

Assist ne pilote que les entités qui lui sont exposées. Sur le même écran des assistants vocaux, l'onglet d'exposition (« Expose ») liste ce qu'Assist peut voir et commander. Ce filtre existe pour une raison : éviter qu'une phrase mal comprise n'ouvre une serrure ou une porte de garage.

• Exposez les lumières, volets et prises que vous voulez commander à la voix.
• Retirez les serrures, la porte de garage, l'alarme, et tout ce qui ne doit pas obéir à une phrase mal entendue.
• Vérifiez cet onglet après chaque nouvel appareil : selon le réglage d'exposition des nouvelles entités, elles peuvent apparaître exposées d'office.

Avec Speech-to-Phrase, c'est aussi cette liste qui construit le vocabulaire reconnu : un appareil non exposé n'est même pas entendu.

Des noms qui se prononcent

L'agent intégré reconnaît les appareils et les pièces par leur nom. « Lampe salon 2 (Hue E27) » ne sera jamais prononcé ; « Lampadaire » le sera. Le cours Home Assistant au quotidien explique pourquoi chaque appareil doit être rangé dans une pièce : c'est ce qui rend possible « éteins la cuisine » sans nommer chaque lampe. Pour garder un nom technique tout en ajoutant un nom parlé, chaque entité et chaque pièce accepte des alias.

Un premier ordre, au clavier puis à la voix

Commencez sans micro. Sur le tableau de bord, l'icône Assist en haut à droite ouvre une fenêtre de dialogue. Choisissez votre assistant et tapez :

allume la lumière de la cuisine

Si la lampe s'allume, l'agent et l'exposition sont bons. Si Assist répond qu'il ne comprend pas ou ne trouve pas l'appareil, le problème est dans le nom, la pièce ou l'exposition, pas dans le micro. Corrigez-le avant de passer à la voix : c'est dix fois plus simple à diagnostiquer au clavier.

Puis, dans la même fenêtre, utilisez le micro et dites la phrase. Pour voir ce qui s'est passé maillon par maillon (texte transcrit, intention reconnue, durée de chaque étape), l'écran des assistants vocaux propose un outil de débogage par assistant, qui montre les dernières exécutions.

Le matériel pour parler

Sur Android, la détection du mot d'activation demande une version récente de l'application, consomme nettement plus de batterie, et la documentation la marque comme expérimentale. Le son n'est envoyé au serveur qu'après le mot reconnu.

Les mots d'activation sont en anglais : « Okay Nabu », « Hey Jarvis », « Hey Mycroft » selon l'appareil. Ce sont des sons, ils fonctionnent quand on parle français ensuite ; mais il n'existe pas de « Dis Maison » prêt à l'emploi, et la documentation du boîtier officiel juge la création d'un mot sur mesure hors de portée de la plupart des utilisateurs.

Ce que vous perdez par rapport à une enceinte du commerce

Il faut le dire avant que vous n'achetiez quoi que ce soit :

• La conversation libre. L'agent intégré comprend des tournures prévues, pas « il fait un peu sombre ici, tu peux faire quelque chose ? ». Avec Speech-to-Phrase, une phrase hors du répertoire n'est tout simplement pas reconnue.
• La culture générale, la musique en streaming, les courses, la météo d'une autre ville : rien de cela n'est le métier de l'agent intégré. Il pilote votre maison.
• La reconnaissance à distance. Un téléphone posé ou un boîtier fait maison entend moins bien qu'une enceinte à six micros. Même le boîtier officiel reste un « Preview ».
• La vitesse, sur petite machine, avec Whisper. Plusieurs secondes de latence suffisent à dégoûter toute la famille.
• L'entretien. Les noms, les alias, l'exposition, les Apps à mettre à jour : c'est à vous. En échange, rien ne part chez personne, et rien ne s'arrête le jour où un fabricant ferme son service.

Cas concret

Karim installe Whisper sur son Raspberry Pi 4, configure l'assistant en français, et dit « allume le salon » à son téléphone. Six secondes plus tard, la lumière s'allume. Le lendemain, sa fille a déjà repris l'interrupteur.

Il ouvre l'outil de débogage de l'assistant : la transcription est correcte, mais l'étape de reconnaissance vocale prend l'essentiel du temps. Le problème n'est ni l'agent ni le réseau, c'est Whisper sur cette machine. Il installe Speech-to-Phrase, l'ajoute dans Appareils et services, et change la reconnaissance vocale de son assistant. La même phrase prend désormais moins d'une seconde.

Deuxième surprise : « éteins la lampe de chevet » ne marche pas. Au clavier, Assist ne trouve pas l'appareil. Dans l'onglet d'exposition, la lampe n'apparaît pas : elle a été ajoutée après la configuration et n'est pas exposée. Il l'expose, lui donne l'alias « lampe de chevet », et retire au passage la serrure connectée de la porte d'entrée, qui, elle, était exposée.

Erreurs fréquentes

• Installer Whisper sur un Raspberry Pi 4 et conclure que la voix locale « ne marche pas ». Elle marche, lentement. Speech-to-Phrase est fait pour ces machines.
• Tester d'emblée à la voix. Un échec ne dit pas quel maillon a lâché. Testez au clavier d'abord, puis lisez l'outil de débogage.
• Laisser des noms techniques (« light.hue_e27_3 », « Lampe 2 ») : personne ne les prononce, l'agent ne les retrouve pas.
• Exposer tout, serrures et porte de garage comprises. Une phrase mal comprise ne doit jamais ouvrir la maison.
• Oublier la langue d'un maillon : un assistant en français avec une reconnaissance réglée en anglais transcrit n'importe quoi.
• Croire qu'Home Assistant Cloud est local parce que l'action se fait chez soi. L'audio, lui, part.
• Attendre d'Assist ce que fait une enceinte du commerce : il pilote la maison, il ne répond pas à tout.

À retenir

• Un assistant vocal est une chaîne : mot d'activation, reconnaissance vocale, agent de conversation, action, synthèse vocale. Chaque maillon se choisit local ou nuage.
• L'action se fait toujours chez vous. Ce qui peut sortir, c'est l'audio (reconnaissance dans le nuage) ou le texte (modèle de langage en ligne).
• Petite machine : Speech-to-Phrase + Piper, en français, en moins d'une seconde. Whisper demande un mini-PC.
• Assist ne pilote que les entités exposées. N'exposez jamais ce qui ouvre la maison.
• Des noms prononçables et des pièces bien rangées font plus pour la reconnaissance que n'importe quel micro.

Mini-exercice

1. Ouvrez la fenêtre Assist du tableau de bord et tapez « allume la lumière de » suivi du nom d'une de vos pièces. Notez ce qu'Assist répond.
2. Ouvrez l'onglet d'exposition des assistants vocaux. Comptez les entités exposées, et retirez au moins une entité qui ne devrait pas obéir à la voix.
3. Si votre serveur est en Home Assistant OS, installez Speech-to-Phrase et Piper, créez un assistant en français, et dites la phrase de l'étape 1 au micro du téléphone.
4. Ouvrez l'outil de débogage de l'assistant et relevez la durée de l'étape de reconnaissance vocale.

Si la lampe s'allume et que l'étape de reconnaissance tient sous la seconde, votre voix vient de faire tout son trajet sans quitter la maison.