スマートホームデバイス向けAI音声：カスタムアシスタント物声の設定
スマートホームAI音声のカスタマイズは、単なる目新しさを超えて普及が進んでいます。Home Assistant、ESPHome、そして成長するオープンハードウェアのエコシステムにより、汎用のアシスタント音声をカスタムAI生成ペルソナに置き換えることが可能です——完全にローカルハードウェアで動作し、クラウドに一切繋がらず、自分でデザインしたサウンドを実現できます。このガイドではPiper TTS、Whisper音声認識、ESPHOMEオーディオ再生、Rabbit R1とHumane Pinの現状、そしてVoxBoosterのようなツールが音声中心のホームオートメーション設定にどのように組み込まれるかを詳しく説明します。
要点
- Home Assistant + Piper + Whisperにより、クラウドに依存しないカスタム音声スマートスピーカースタックが完全ローカルで実現できます。
- ESPHomeデバイスは、中央のPiperサーバーからストリーミングする分散オーディオエンドポイントとして機能できます。
- Mycroftは廃止されました；OpenVoiceOSが精神的な後継者です；ほとんどのユーザーはWyomingプロトコルに移行しました。
- Rabbit R1とHumane PinはどちらもそれぞれのAI音声の約束を果たせませんでした；ローカルDIYが柔軟性の面で勝っています。
- カスタムスマートホーム音声はTTS出力の問題です；リアルタイム音声チェンジャーはマイク入力の問題を解決します——VoxBoosterはWindows PCからその両方を橋渡しします。
- プライバシー優先のローカル処理により、すべての音声データが自分のハードウェアに保たれます。
スマートホームにおける「カスタムAI音声」の意味
ツールに入る前に、意味を明確にしましょう。スマートホームアシスタントの音声には2つの別々のオーディオパスがあります：
- 音声認識（マイク入力）： デバイスがウェイクワードを聞き取り、コマンドを文字起こしします。
- テキスト読み上げ（スピーカー出力）： アシスタントがあなたに話しかけるためにオーディオを合成します。
スマートホームに関する議論のほとんどでは、この2つのパスが混在しています。カスタムAI音声は主にパス2を指します——スマートスピーカーが汎用の「Google Assistant女性音声」やAlexaのデフォルトの代わりに特定のペルソナのように聞こえるようにすることです。パス1のカスタマイズ（あなたの音声を特定して認識したり、家族間で切り替えたりすること）は、スピーカーダイアリゼーションによって処理される別の問題です。
このガイドでは、カスタムTTS出力音声に焦点を当て、それを実現するための完全なローカルスタックを説明します。
Home Assistant + Piper：ローカルカスタム音声スマートスピーカーのゴールドスタンダード
Home Assistantは、Raspberry Pi 4から専用のx86ミニPCまで何でも動作する、最も人気のあるオープンソースホームオートメーションプラットフォームです。バージョン2023.5以降、Wyomingプロトコル——音声サービスをHome Assistantコアに接続する軽量TCPベースのインターフェース——が付属しています。
PiperはそのスタックのTTS部分です。
Piperとは何ですか？
PiperはVITSアーキテクチャ上に構築された高速なニューラルテキスト読み上げエンジンです。Rhassпyプロジェクト向けに開発され、Home Assistantのプライマリローカルエンジンとして採用されました。主な特徴：
- 完全にオフラインで動作——APIコールなし、ネットワークからデータが出ない
- CPU上で動作（Raspberry Pi 4クラスのハードウェア）、許容できるレイテンシー
- モデルごとに複数のスピーカーペルソナをサポート（一部のモデルには5〜10の異なる音声スタイルが含まれる）
- 米国英語からポルトガル語、日本語まで40以上の言語モデルが利用可能
- 音声の質はロボット的だが理解可能なもの（小さいモデル）から本当に自然なもの（より多くのRAMと計算を必要とする大きいモデル）まで様々
各モデルの音声デモはGitHubの公式Piperモデルリポジトリで確認できます。
Home AssistantでPiperをセットアップする
- Home Assistantを開く → 設定 → アドオン → アドオンストア。
- 「Piper」を検索——公式アドオンの下に表示されます。
- インストールし、設定をクリックして音声モデルを選択します。英語の場合、
en_US-lessac-highモデルが合理的な出発点です——Pi 4でうまく動作し、自然に聞こえます。 - アドオンを起動し、起動時に開始とウォッチドッグが有効になっていることを確認します。
- 設定 → 音声アシスタント → アシスタントを追加に進みます。テキスト読み上げの下でPiperを選択し、お好みの音声を選びます。
- 自動化内のすべての
google_translateTTSコールをtts.piperに置き換えます。
これが完全なセットアップです。すべての自動化、通知、Assistの返答が選択したPiperの音声で話します——ローカルネットワークを離れるバイトは一切ありません。
Piper音声モデルの選択とカスタマイズ
Piper音声モデルは、.json設定と対になった.onnxファイルです。Piperが内部で使用する品質段階はlow、medium、highです。品質が高いほど計算量が増えますが、韻律と自然さが顕著に向上します。
ほとんどのホームユーザーにとっての実際的な選択肢：
| モデル品質 | 例 | Pi 4のRAM | レイテンシー（Pi 4、約50語） | 最適用途 |
|---|---|---|---|---|
| Low | en_US-ryan-low | ~80 MB | ~0.3秒 | 常時オンのアナウンス |
| Medium | en_US-ryan-medium | ~130 MB | ~0.6秒 | 日常的な使用、良好な品質 |
| High | en_US-lessac-high | ~200 MB | ~1.2秒 | 音声アシスタントとの会話 |
| High（マルチスピーカー） | en_US-libritts-high | ~300 MB | ~1.8秒 | 複数の部屋のペルソナ |
デフォルト以外の音声——例えば深いナレーター音声、アクセント、キャラクター風の音声——が必要な場合、2つの選択肢があります。まず、Piperモデルライブラリから自分のイメージに自然に合うモデルを探します。次に、提供した音声サンプルでカスタムPiperモデルをトレーニングします。ゼロからのトレーニングにはGPUと約30〜60分のクリーンな音声データが必要ですが、既存モデルのファインチューニングははるかに少ない量で済みます。Piperトレーニングドキュメントに詳細があります。
Home AssistantのWhisper：ローカル音声認識
Home Assistantのローカルスタックのマイク入力側はWhisper、OpenAIのオープンソース音声認識モデルです。Home Assistantにはfaster-whisperインテグレーションが付属しており、これは参照実装よりもはるかに高速に動作する最適化バージョンです。
WyomingプロトコルはWhisperをHome Assistantに接続します——Piperと同じ方法で。アドオンストアからFaster Whisperアドオンをインストールし、モデルサイズ（tiny、base、small、medium）を選択して、音声サテライトをそこに向けます。
実践的なガイダンス：
tinyとbaseはPi 4で無視できるレイテンシーで動作しますが、早口や訛りのあるスピーカーでは文字起こしエラーが増えるsmallはほとんどのホーム設定のスイートスポット：コマンドに十分な精度、反応的に感じるほど十分な速度mediumは複雑な語彙で顕著に優れていますが、Pi 4では1〜2秒のレイテンシーが追加されます；ミニPCやGPU搭載のPCは快適に処理できます
Piper（カスタム音声出力）+ Whisper（正確なローカル認識）の組み合わせにより、完全にオフラインの音声アシスタントが実現します。Alexaなし、Googleなし、Siriなし——自分が所有・管理するハードウェア上ですべてが動作します。
ESPHomeカスタム音声：分散オーディオエンドポイント
ESPHomeはESP8266およびESP32マイクロコントローラー向けのファームウェアフレームワークです。数千人のスマートホーム愛好家がカスタムセンサー、スイッチ、ディスプレイを作成するために使用しています。音声については、少し異なるアプローチを取ります：ESP32デバイスはAIモデルを実行せず、中央サーバーからオーディオをストリーミングするオーディオエンドポイントとして機能します。
ESPHome音声再生のアーキテクチャ
典型的なセットアップは次のようになります：
Home Assistant → Piper TTS → media_playerエンティティ → ESPHome media_player → I2S DAC → スピーカーESP32はmedia_playerコンポーネントを実行し、Wi-Fi経由でHome Assistantメディアサーバーに接続します。自動化がTTSアナウンスをトリガーすると、Home AssistantはPiperでオーディオを生成し、それをESPHomeデバイスにストリーミングします。
必要なハードウェア
ESPHomeオーディオには最低限必要なもの：
- ESP32（ESP8266ではなく——8266はオーディオストリーミングに十分なRAMがない）
- I2Sデジタル-アナログコンバーター（DAC）——MAX98357Aが最も一般的（AliExpressで約3 USD）
- 小型スピーカー（4〜8オーム、1〜3Wで部屋内のアナウンスに十分）
ESPHome media_playerドキュメントに配線とファームウェア設定が記載されています。動作するYAML設定は約20行です。
マルチルームカスタム音声アナウンス
このセットアップにより、部屋ごとに異なる音声を設定できます。寝室の目覚ましアラームは落ち着いた低エネルギーのPiper音声を使用し、キッチンはよりクリアでエネルギッシュな音声を使用し、セキュリティゾーンのアナウンスはより権威ある音声を使用できます。TTS音声コールは自動化ごとに設定し、デバイスごとではありません——そのため、1つのPiperサーバーが多くの異なるESPHomeエンドポイントに対応でき、それぞれがコンテキストに適した音声を受け取ります。
Mycroft：何が起きたか、何が代わったか
Mycroft AI社は2023年4月に事業を終了しました。長年、MycroftはAlexaやGoogle Homeに代わる最も著名なオープンソース音声アシスタントであり、mycroft-coreプロジェクトはオープンでカスタマイズ可能な音声アシスタントの真の進歩を表していました。
Mycroftの遺産
Mycroftは明確な役割分担を提供していました：ウェイクワード検出（Precise）、音声認識（DeepSpeechまたは後にWhisper）、インテント解析（Adapt）、TTS出力（Mimic）、スキルSDK。各レイヤーを交換できました。音声はMimic TTSエンジンを通じてカスタマイズ可能で、ルールベース（Mimic 1）とニューラル（Mimic 3）の両モードがありました。
廃止後、コミュニティは分裂しました：
- OpenVoiceOS（OVOS）： 最もアクティブなフォーク。Mycroft互換のスキルAPIを維持し、Buildroot系の組み込みイメージと標準Linuxで動作します。アクティブなメンテナンスでMycroft風の体験を望む場合、OVOSが答えです。
- Home Assistant + Wyoming： ほとんどの元Mycroftユーザーがここに移行しました。Wyomingプロトコルはより単純で、エコシステムが大きく、ハードウェアサポートが優れています。
- Neon AI： エンタープライズとアクセシビリティのユースケースを対象とした商用フォーク。
2026年の新規プロジェクトには、Home Assistant + Piper + Whisperから始めることが実用的な選択です。完全なMycroft風スキルエコシステムが必要な場合や、スタンドアロン組み込みデバイスを構築している場合はOVOSが適切です。
Rabbit R1とHumane Pin：ハードウェアアシスタントの実験
2024年の「ポストスマートフォンAIアシスタント」の瞬間を定義した2つのハードウェアがありました：Rabbit R1とHumane AI Pinです。どちらもスマートフォンを置き換えまたは補完するカスタムAI音声インターフェースを約束しましたが、どちらも実現できませんでした。
Rabbit R1
Rabbit R1はLarge Action Model（LAM）という概念——Webサービスをあなたの代わりに操作するためにトレーニングされたAI——に基づいたポケットデバイスです。音声インターフェースは、Rabbitがトレーニングしたカスタムアシスタント音声を搭載した専用スピーカーを使用します。
現実には：LAMは主にWebスクレーパーでした。音声は快適でしたが、カスタマイズできませんでした。デバイスのコア機能にアクティブなクラウドサブスクリプションが必要であり、マーケティング資料の「ローカルAI」のポジショニングと矛盾していました。2026年現在、Rabbit R1はまだ販売されていますが、ビジョンと実行のギャップを有意義に埋めていません。
Humane AI Pin
Humane Pinは手にレーザーディスプレイを投影し、カスタムAI音声を使用する装着型デバイスでした。2024年4月のリリース時に広く否定的な評価を受け、批評家は遅いレスポンスタイム、短いバッテリー寿命、限られた実用性を指摘しました。Humaneは2025年初頭にHPによる閉鎖と買収を発表しました。
これらの製品が教えてくれること
どちらの製品も閉鎖的でプロプライエタリなAI音声体験を構築しようとしました。どちらも失敗した理由：
- クラウド依存により脆弱になる
- APIアクセスがないということはコミュニティの拡張機能がないということ
- 音声が固定——カスタマイズなし
- 価格設定により既存のスマートフォンに対する正当化が困難
ローカルDIYアプローチ——Home Assistant、ESPHome、OVOS——はセットアップの複雑さを犠牲にして、これらのすべての次元で勝ります。週末の設定に慣れた愛好家にとって、ローカルはより有能で耐久性があります。
プライバシー優先のホームオートメーション：ローカル音声処理が重要な理由
すべてのクラウド音声アシスタントには、ウェイクワードサンプル（そしてしばしばそれ以上）をリモートサーバーに送信する常時オンのマイクがあります。プライバシーへの影響は少なくとも2019年から広く取り上げられており、Alexa、Google Home、Siriがレビューのためにオーディオスニペットを保持していることを明らかにした複数のニュースレポートが登場しました。
ローカルスタックは音声データを次のように処理します：
マイク → ESP32（デバイス上のウェイクワード）→ ローカルWhisper → ローカルPiper → スピーカーネットワークから何も出ません。特定のコンテンツを禁止する利用規約はありません。サードパーティのデータ保持はありません。ハードウェア、ソフトウェア、データはすべてあなたが所有します。
ホームオートメーションのユースケース——ライトのコントロール、セキュリティ自動化の実行、タイマーの設定、センサーデータの読み取り——には、ローカル処理で十分です。本当に欠けているものは：
- 一般的な知識クエリ（これにはLLMをセルフホストすることもできる）
- ショッピング統合（Amazon注文をAlexaで——意図的なクラウドロックイン）
- アカウント統合が必要な音楽ストリーミング（Home AssistantのSpotify/Apple Musicインテグレーションで対応可能）
スマートホームアシスタントを主に一般アシスタントクエリではなくホームコントロールに使用する場合、ローカルスタックは厳密に優れています：より速いレスポンス、クラウド障害への依存なし、プライバシートレードオフなし。
VoxBoosterをスマートホーム音声スタックに接続する
VoxBoosterは主にリアルタイム音声変換用のWindowsデスクトップアプリケーションです——PCのマイク入力パスを処理します。これはスマートホームの音声作業にいくつかの特定の方法で接続されます。
シナリオ1：PCベースのスマートホームダッシュボード
Windows PCでHome Assistantを実行し（DockerまたはHome Assistant Windowsインストーラー経由）、ブラウザまたはダッシュボードアプリケーションを使用する場合、VoxBoosterの仮想マイクがブラウザベースのAssistインターフェースにカスタム音声入力を提供できます。実際の音声が入力され、クローンされたAIペルソナの音声が出力されます——つまり、ダッシュボードベースのアシスタントとのやり取りは、自然な声ではなくデザインした音声アイデンティティを使用します。
これはスマートホームデモを構築しているコンテンツクリエイター、トレーニングされた音声モデルの恩恵を受けるアクセシビリティユーザー、そしてYouTubeチャンネルやストリームの「スマートホームオペレーター」ペルソナを運営している人々に関連します。
シナリオ2：アクセシビリティとTTS拡張
VoxBoosterのテキスト読み上げ出力は、同じローカルネットワーク上で動作している場合、メディアプレーヤー統合を介してHome Assistantにルーティングできます。これにより、より柔軟なTTSチェーンが実現します：Windows PC上でVoxBoosterを使用してアナウンスオーディオを合成・変換し、その結果を家中のHome Assistantメディアプレーヤーにストリーミングできます。
シナリオ3：スマートホームコンテンツのストリーミング
スマートホームセットアップも実行しているストリーマーは、実際の声やホームオーディオを明かさずにライブ自動化デモを見せたいことがよくあります。VoxBoosterの仮想マイクは、オンストリームのHome Assistantデモ中に実際の声をプライベートに保ちます。
シナリオ4：スマートホームデモ用AIキャラクター音声
YouTubeでDIYスマートホームプロジェクトを作成している場合、Home Assistantセットアップのカスタムキャラクター音声は明らかな制作価値の向上です。独自のAIペルソナ音声をトレーニングし、ビデオコンテンツ全体で一貫して使用する——ホームアシスタントのTTS出力と自分のオンマイクナレーションの両方——ことで、一体感のあるブランドが生まれます。
構築する価値のあるDIY音声アシスタントプロジェクト
標準的なHome Assistantインストールを超えて深めたい場合、DIYスマートホーム音声AIの現在の最先端を代表する3つのプロジェクトを紹介します：
1. Wyoming Satellite（Raspberry Pi + ReSpeaker）
Raspberry Pi Zero 2WまたはPi 4、ReSpeakerマイクロフォンアレイ（4マイク線形アレイは約20 USD）、wyoming-satelliteソフトウェアを使用して専用音声サテライトを構築します。これにより、サテライト上で完全に動作するウェイクワード検出を備えた適切な遠距離マイクセットアップが得られ、STTとTTSをメインのHome Assistantサーバーにオフロードします。
ReSpeakerにはオンボードLEDリングサポートがあるため、視覚的なフィードバックを設定できます（青 = 聴取中、緑 = 処理中、白 = 発話中）——商用スマートスピーカーと同様に、ただし自分のカスタム音声で動作します。
2. ESP32-S3-Box 音声パネル
EspressifのESP32-S3-Boxは、タッチスクリーン、スピーカー、マイクロフォンアレイ、良好な品質を備えた商用開発ボードです。ESPHomeはこれをよくサポートしています。ESPHomeをフラッシュし、Home Assistantに接続すると、どの部屋にも小型の音声パネルができます——カスタムPiper音声出力、ローカルWhisper認識、クイックコントロール用のタッチスクリーン。合計BOMは約40 USDです。
3. ミニPC上のOpenVoiceOS
スキルサポートを備えたMycroft風の体験を完全に追求したい場合は、小型のx86ミニPC（中古のIntel NUCまたは現行世代のBeelink）にOpenVoiceOSをインストールします。OVOSは1つの統合システムでウェイクワード、STT、インテント解析、TTS、スキルを処理します。OVOS Piper TTSインテグレーションにより、異なるスキルカテゴリにカスタム音声モデルを割り当てられます——天気スキルには1つの音声、タイマースキルには別の音声を使用できます。
ローカルとクラウドのスマートホーム音声アシスタントの比較
| 機能 | Amazon Alexa | Google Home | Home Assistant + Piper/Whisper | ESPHome + HA |
|---|---|---|---|---|
| カスタム音声出力 | なし | なし | あり（Piperモデル） | あり（HA経由） |
| オフライン動作 | なし | なし | あり | あり |
| プライバシー（クラウドオーディオなし） | なし | なし | あり | あり |
| セットアップの複雑さ | 低 | 低 | 中 | 高 |
| ハードウェアコスト | 30〜250 USD | 30〜300 USD | 35〜100 USD（Pi 4） | 5〜40 USD（ESP32） |
| 音声カスタマイズの深度 | なし | なし | 高（モデル選択 + トレーニング） | 高（HA Piper経由） |
| スキル/自動化エコシステム | 大（プロプライエタリ） | 大（プロプライエタリ） | 大（オープン） | 中（オープン） |
| 積極的な開発 | あり | あり | 非常に活発 | 非常に活発 |
| 会社が閉鎖しても動作継続 | なし | なし | あり | あり |
「会社が閉鎖しても動作継続」の行は強調する価値があります。Amazonは過去に複数のEchoデバイスやAlexaの機能を廃止しました。Googleはオリジナルのお Google Homeデバイスを終了し、複数のAPIを非推奨にしました。ローカルインフラは企業が戦略を変えても消えません。
よくある質問
Home AssistantでカスタムAI音声を使用できますか？
はい。Home AssistantはPiperエンジンを通じてカスタムTTS音声をサポートしており、完全にローカルハードウェア上で動作します。Home AssistantアドオンストアからPiper音声モデルをインストールし、TTSプロバイダーとして設定すると、クラウドに依存せずその音声で自動化が動作します。
Piper TTSとは何で、スマートホームにとってなぜ重要ですか？
PiperはRhassпyプロジェクトが開発した高速なオフライン型ニューラルTTSエンジンです。Raspberry Pi 4上で合理的な品質とほぼゼロのレイテンシーで動作します。スマートホーム用途では、アシスタントがGoogle、Amazon、またはAppleのサーバーにオーディオを送信せずに話すことができます。
Mycroftはカスタムスマートホーム音声アシスタントとしてまだ使用できますか？
Mycroft社は2023年に事業を終了しました。オープンソースコードはまだ存在しますが、積極的なメンテナンスはありません。ほとんどの元Mycroftユーザーは、WyomingプロトコルスタックによるHome Assistant（Piper + Whisper）またはOpenVoiceOSに移行しました。
ESPHomeデバイスはカスタムAI音声を使用できますか？
ESPHomeデバイスはI2S DACまたは小型スピーカーがあれば音声を再生できます。カスタム音声は通常、Piperを実行するHome Assistantサーバーで生成され、media_playerコンポーネントを介してESPHomeデバイスにストリーミングされます。
Rabbit R1とHumane Pinに何が起きましたか？
どちらも2024年に期待外れの評価でリリースされました。Humane Pinは2025年に製造中止になりました。Rabbit R1はまだ販売中ですが、LAMの概念が期待に応えられませんでした。
スマートホームAI音声と通常の音声チェンジャーはどう違いますか？
スマートホームAI音声はアシスタントがあなたに話しかける際のTTS出力音声です。リアルタイム音声チェンジャーは話す間にマイク入力を変換します。これらは異なる問題を解決しますが、VoxBoosterのようなツールはその両方を橋渡しできます。
ローカルスマートホーム音声アシスタントはプライバシーの面でより優れていますか？
ローカル処理ではウェイクワード、コマンド、オーディオデータが自分のハードウェアに保たれます。クラウドアシスタントは処理のためにオーディオスニペットをリモートサーバーに送信します。マイクデータがホームネットワークを離れることに不安を感じる方にとって、Home Assistant + Whisper + Piperのようなローカルスタックは、プライバシーの観点から大きな改善となります。
まとめ
スマートホームAI音声のカスタマイズは、週末のセットアップに時間を費やしてもいい人なら誰でも手の届く範囲にあります。Home Assistant + Piper + Whisperが実践的な基盤です：完全ローカル、プライバシー保護、そして増々高性能。ESPHomeは家全体に安価な分散オーディオエンドポイントをこれに加えます。Mycroftは去りましたが、OpenVoiceOSがその火を継いでいます；Rabbit R1とHumane Pinは閉鎖的なAIハードウェアがその約束を果たせない場合にどうなるかを示しました。
商用スマートホームアシスタントはカスタムスマートホーム音声を提供しません。自分で構築することでそれが可能になります。
スマートホームセットアップにWindows PCが関わっている場合——ストリーミング、コンテンツ制作、アクセシビリティ作業、デモ録画——VoxBoosterは音声変換面をオーディオセットアップの残りの部分に接続します。ローカルTTSスタックが意図的にカバーしないリアルタイムのマイク入力パスを処理し、Home Assistantと競合するのではなく、並行して動作します。3日間の無料トライアルにはクレジットカードが不要です。