Home Assistant Voice 不应该简单按“本地一定更好”或“云端一定更准”来选。更稳妥的判断方式是把语音链路拆成五段：唤醒词、语音转文字、意图识别、文本转语音和设备执行。对隐私和断网可用性要求高的家庭，应尽量把唤醒词、意图识别和设备执行留在本地；对多语言识别、嘈杂环境和自然对话要求高的场景，可以把 STT 或 TTS 接到云端；如果家里有老人、儿童或关键设备控制，最好采用本地优先、云端增强的混合链路，而不是把整条语音路径完全外包。
| 链路环节 | 本地优先适合什么 | 云端适合什么 | 主要代价 |
|---|---|---|---|
| 唤醒词 | 隐私、低延迟、离线可用 | 多设备统一体验 | 本地硬件和误唤醒调试 |
| STT | 固定命令、少量语言、可接受硬件成本 | 多语言、长句、嘈杂环境 | 云端依赖和隐私边界 |
| 意图识别 | 控制本地设备、可预测命令 | 泛问答、复杂对话 | 本地意图覆盖有限 |
| TTS | 短反馈、离线状态提示 | 自然音色、多语言播报 | 云端延迟和可用性 |
| 设备执行 | 灯、开关、窗帘、传感器场景 | 不建议核心控制依赖云 | 安全确认和权限设计 |
这篇文章的结论是：Home Assistant Voice 的核心控制链路应该本地优先，体验增强链路可以按需接云。 如果一个语音方案断网后连开灯、关窗帘、停止自动化都做不了，它就不适合作为家庭控制入口；如果一个本地方案在实际噪声、口音和多语言环境下识别率太低，也不应为了“纯本地”牺牲可用性。
1. 先把 Home Assistant Voice 看成 pipeline
Home Assistant 的 Assist 体系不是一个单点功能，而是一条从声音到动作的 pipeline。用户说话后，系统通常要经历唤醒、录音、STT、意图解析、服务调用和 TTS 回复。每一段都可以有不同实现：有的跑在语音卫星上，有的跑在 Home Assistant 主机上，有的通过外部服务完成。
这也是很多语音项目误判的来源。用户觉得“语音不灵”，实际可能是四种问题：
- 麦克风端拾音差，导致唤醒或录音质量不稳定。
- STT 把设备名、房间名或短命令识别错。
- 意图识别能听懂文字，但无法匹配 Home Assistant 里的设备实体。
- TTS 或设备响应太慢，让用户以为命令没有执行。
所以选本地还是云端之前，先要问清楚：你要优化的是隐私、断网可用性、识别准确率、响应速度，还是维护成本。不同目标对应的答案不一样。
2. 什么应该本地跑
语音控制里最应该本地优先的，是和家庭控制安全直接相关的部分。
唤醒词适合本地运行。 唤醒词在设备附近持续监听，如果把它放到云端，就意味着长期音频入口依赖外部服务。即使系统只上传唤醒后的片段，本地唤醒也能减少不必要的数据外流，并降低基础延迟。
意图识别和设备执行应尽量本地运行。 打开灯、关闭插座、调节温控、停止风扇这类命令，价值在于确定性和低延迟。Home Assistant 的优势正是本地设备图谱、实体模型和自动化规则。如果这些控制命令必须绕到云端，断网、服务限流或账号问题都会变成家庭控制风险。
状态反馈也应保留本地兜底。 即使 TTS 音色接云端，关键状态也应该能本地反馈。例如“车库门已打开”“烟雾报警已停止自动化”“卧室空调无法连接”这类反馈不应完全依赖外部服务。
决策块
如果语音命令涉及安全、照明、门锁、窗帘、温控或家庭自动化停止动作，就把意图识别和设备执行放在 Home Assistant 本地侧。云端可以增强识别和播报，但不应该成为核心控制路径的唯一入口。
3. 什么可以接云
云端并不是语音架构里的反面角色。它适合处理本地硬件成本高、模型更新快、语言覆盖复杂的部分。
STT 可以按场景接云。 如果家庭只使用固定短命令，本地 STT 通常更可控；如果用户有多语言、长句、口音、嘈杂客厅、远场麦克风等需求，云端 STT 往往更容易取得稳定识别率。关键不是“云端能不能用”，而是要明确哪些音频会上传、什么情况下上传、失败后是否有本地降级路径。
TTS 可以作为体验增强。 本地 TTS 适合短句反馈，优点是断网可用和响应稳定；云端 TTS 更适合自然音色、多语言播报和更拟人的交互。如果只是“已打开客厅灯”，本地 TTS 足够；如果要做长文本播报、家庭助手或多语种提示，云端 TTS 可以明显改善体验。
泛问答和开放对话不应和设备控制混在一条信任路径里。 让云端模型回答天气、百科或复杂问题没有问题，但它不应该直接绕过 Home Assistant 的实体权限和确认机制去执行设备命令。对家庭控制来说，LLM 应该提出建议或生成意图候选，最终执行仍要落到 Home Assistant 可审计的服务调用上。
4. 本地、云端、混合三种架构怎么选
| 架构 | 适合场景 | 不适合场景 | 推荐边界 |
|---|---|---|---|
| 全本地 | 隐私优先、固定命令、断网可用要求高 | 多语言长句、复杂对话、硬件资源不足 | 让语音成为可靠控制入口 |
| 全云端 | 追求自然语言体验，已有云生态绑定 | 门锁、安防、关键自动化、弱网络环境 | 只适合非关键控制和问答增强 |
| 混合 | 大多数家庭和项目交付 | 没有能力维护两套 fallback | 本地控制，云端增强识别和播报 |
多数家庭和工程项目更适合混合架构：唤醒词、本地意图、设备执行和关键状态反馈留在 Home Assistant 侧；STT、TTS 或自然语言扩展按需接云。这样做的好处是，即使云端不可用，基础控制仍然能用；云端可用时，用户又能得到更好的语音识别和播报体验。
混合架构的难点在运维。你需要清楚记录：每条语音 pipeline 使用哪个 STT、哪个 TTS、是否依赖外网、失败后回退到哪里、哪些设备命令需要二次确认。如果没有这些边界，混合架构会从“灵活”变成“很难排障”。
5. 设计 Home Assistant Voice 时应先测这五件事
第一，测端到端延迟。不要只测 STT 或 TTS 的单点耗时，要测从唤醒到设备动作完成的时间。家庭控制一般希望短命令反馈足够快，否则用户会重复下命令。
第二，测误唤醒和漏唤醒。唤醒词体验差会直接破坏信任。客厅电视、厨房抽油烟机、儿童说话和远场距离都应该进入测试。
第三，测实体名和房间名。智能家居语音失败常常不是模型不聪明，而是设备命名混乱。客厅灯带、客厅主灯、客厅筒灯 如果没有清楚命名，云端和本地都可能误解。
第四，测断网状态。拔掉外网后，哪些命令还能执行，哪些只是不播报，哪些完全失败，要写成清单。断网测试比宣传“本地优先”更有意义。
第五，测高风险命令。门锁、车库门、安防、窗帘和大功率电器不应该只靠一句话直接执行。需要确认、权限、时间窗口和审计记录。
6. 不适合把语音做成唯一控制入口的情况
语音很方便，但不适合成为唯一入口。下面几类场景要保留按钮、墙面开关、App 或自动化兜底：
- 家里有老人、小孩或访客，设备命名和命令习惯不稳定。
- 网络和本地服务器维护能力有限，Home Assistant 主机可能经常重启。
- 控制对象涉及门锁、安防、电热、燃气、车库门或医疗相关设备。
- 家庭成员使用多种语言或口音，但没有足够时间调试 STT。
- 项目交付后由非技术用户维护，无法长期处理模型、插件和设备命名问题。
语音的正确位置是“低摩擦入口”，不是“唯一控制平面”。越关键的动作，越需要可见状态、物理兜底和审计记录。
7. 结论：本地控制，云端增强
Home Assistant Voice 的选择原则可以压缩成一句话：把家庭控制的确定性放在本地，把识别和表达的体验增强按需交给云端。 纯本地适合隐私和可靠性优先的固定命令，纯云端适合非关键问答和自然语言体验，混合架构则适合大多数真实家庭。
真正重要的不是选择一个标签，而是把 pipeline 的每一段边界写清楚：唤醒词在哪里跑，STT 是否上传音频，意图由谁解析，设备命令是否本地执行，TTS 失败时是否仍能反馈状态。只有这些问题都能回答，Home Assistant Voice 才能从“能演示”走向“能长期使用”。
参考资料
- Home Assistant Voice Control: https://www.home-assistant.io/voice_control/
- Home Assistant Assist documentation: https://www.home-assistant.io/voice_control/voice_remote_local_assistant/
- Home Assistant Assist pipeline integration: https://www.home-assistant.io/integrations/assist_pipeline/
- ESPHome Voice Assistant component: https://esphome.io/components/voice_assistant.html
- Wyoming protocol project: https://github.com/rhasspy/wyoming
