Vlastní hlasový asistent bez cloudu stojí na čtyřech krocích: probouzecí slovo, detekce řeči, přepis a syntéza. Na mini-PC s Intel N100 dnes rozjedete český Whisper small i Piper, česká přesnost ale za Alexou zaostává.
Základní řetěz lokálního asistenta je vždy stejný: mikrofon zachytí zvuk, probouzecí slovo rozhodne, zda se má nahrávat, přepis řeči převede zvuk na text a syntéza vytvoří odpověď. Celé to běží na jednom mini-PC bez odesílání dat do cloudu.
První praktický krok je audio vstup. Pro hlasového asistenta se používá 16kHz mono, 16bit PCM; vyšší vzorkování zbytečně zatěžuje CPU. Na Raspberry Pi se osvědčují mikrofonní HATy typu ReSpeaker 2-Mic Pi HAT, na mini-PC stačí USB mikrofon s potlačením ozvěny. Software bere audio přes ALSA nebo PipeWire a předává ho do VAD (Voice Activity Detection). Silero VAD nebo WebRTC VAD umí odstřihnout ticho a řeč předat jen tehdy, když někdo skutečně mluví. Tím se výrazně sníží zátěž přepisu.
Probouzecí slovo běží nepřetržitě a musí být levné. openWakeWord používá ONNX modely, běží na Raspberry Pi 4 a spotřebovává zlomek CPU. Picovoice Porcupine je podobně rychlý, ale pro komerční použití má licenční podmínky. Předtrénované modely jsou anglické („hey jarvis“, „alexa“), české probouzecí slovo jako „hej assistente“ v nich nenajdete. Musíte ho natrénovat z vlastních nahrávek nebo syntetických vzorků a doladit práh tak, aby asistent nereagoval na televizi. Práh příliš nízko znamená falešné spouštění, příliš vysoko zase nespolehlivé probuzení.
Na přepis řeči dnes dominuje Whisper od OpenAI. Je multilinguální, češtinu podporuje a v modelech small, medium a large-v3 dává použitelné výsledky. Rozdíl je v nárocích: tiny má 39 milionů parametrů, base 74 milionů, small 244 milionů, medium 769 milionů a large-v3 přibližně 1,55 miliardy. Na mini-PC s Intel N100 (4 jádra, 6 W TDP) je small rozumný kompromis pro krátké příkazy; large-v3 je bez GPU pro interaktivní použití příliš pomalý. Pomáhá faster-whisper postavený na CTranslate2 nebo whisper.cpp, které snižují paměťové nároky a umí kvantizaci.
Vosk je lehčí a streamovací, ale české modely nejsou tak doladěné jako anglické. Pro příkazy typu „zapni světlo v kuchyni“ může stačit, pro delší diktování je Whisper přesnější. Čeština má specifické problémy: diakritiku, skloňování a čísla. Whisper občas zamění homofony nebo jména; bez kontextu pak intent parser nepozná, zda šlo o „světlo“ nebo „světla“. Řešením je omezit slovník příkazů a použít vlastní gramatiku v Home Assistant Assist nebo Rhasspy.
Pro odpověď potřebujete TTS. Piper je neuronová syntéza, která běží v reálném čase i na Raspberry Pi 4 a má české hlasy řady cs_CZ. Kvalita je srozumitelná, ale ne herecká; pro počasí, čas nebo stav světel stačí. Coqui TTS nabízí více možností, ale na mini-PC bez GPU je těžkopádnější. eSpeak NG je nejmenší a nejrychlejší, ale jeho český hlas zní roboticky. Piper se hodí jako výchozí volba, protože se snadno integruje do Home Assistantu a umí přehrát odpověď přes reproduktor nebo sluchátko.
Pro základní řetěz stačí Raspberry Pi 5 s 8 GB RAM: rozjede openWakeWord, Vosk nebo Whisper tiny/base a Piper. Na Whisper small už je to na hraně, zejména pokud zároveň běží Home Assistant. Mini-PC s Intel N100 a 16 GB RAM nabídne více prostoru pro Whisper small a plynulejší běh více služeb. GPU jako NVIDIA RTX 3060 nebo i starší GTX 1660 výrazně zrychlí Whisper medium/large, ale zvyšuje cenu a spotřebu. Pro většinu domácích příkazů je ale důležitější kvalitní mikrofon než výkonný model: šum z kuchyně nebo ozvěna místnosti zhorší přepis víc než rozdíl mezi small a medium.
Lokální asistent dnes zvládne české příkazy pro domácí automatizaci: rozsvícení, stmívání, scény, dotaz na teplotu nebo přečtení zprávy. Home Assistant Assist má českou lokalizaci, ale sada vestavěných intentů je menší než v angličtině; vlastní věty je potřeba doplnit ručně. Wake word v češtině je nejslabší článek, protože kvalitní předtrénované modely chybí. Pokud chcete obecné dotazy jako „kolik je hodin v Tokiu“ nebo „co je nového“, lokální řetěz bez napojení na další služby narazí. Alexa a Google Assistant mají obrovské cloudové modely, českou syntézu a rozpoznávání řeči laděné na dálku, ale data posílají do cloudu a nabízejí méně možností přizpůsobení.
Pro stavbu domácího asistenta bez cloudu je dnes rozumná kombinace openWakeWord, Whisper small a Piper. Zbytek je konfigurace: VAD, prahy, vlastní gramatika a integrace do Home Assistantu. Kdo chce jen rozsvěcet světla a nechce posílat zvuk do cloudu, dostane funkční řešení. Kdo chce obecného českého asistenta na úrovni Alexy, narazí na kvalitu českých modelů a chybějící wake word.
Foto: Lutfi Elyas / Pexels
Kontrola baterie přes powercfg, SMART data SSD a zátěžový test throttlingu odhalí u bazarového stroje víc než inzerát. Osm konkrétních kroků určí, zda je úspora proti novému notebooku reálná, nebo skryje investici do oprav.
