6 шагов: голосовой ИИ-ассистент без интернета

Зачем нужен голосовой ассистент без интернета

Представьте, что ваш умный дом перестаёт работать, потому что отключился интернет. Это как автомобиль, который заводится только при наличии Wi-Fi. Локальный голосовой ассистент решает проблему: он слушает, понимает и отвечает без единого запроса на внешний сервер.

В 2026 году технологии распознавания речи и синтеза голоса стали достаточно лёгкими, чтобы работать на домашнем компьютере. Ниже — пошаговая инструкция по сборке своего голосового ИИ-помощника.

Шаг 1: соберите аппаратную базу

Минимальные требования

Для голосового ассистента нужен компьютер с 8 ГБ ОЗУ (для модели 3–7B), USB-микрофон и динамики. Идеальный вариант — Raspberry Pi 5 (8 ГБ) для компактного устройства или любой ноутбук/ПК для полноценной версии.

Для лучшего качества распознавания добавьте направленный микрофон — он отсекает фоновый шум и значительно улучшает точность транскрипции.

Шаг 2: установите движок распознавания речи

Лучший open-source вариант — Whisper от OpenAI. Установите его через pip:

pip install whisper
# Или более быстрая версия:
pip install faster-whisper

Модель base работает в реальном времени на процессоре, medium точнее, но требует GPU. Выбор модели похож на выбор объектива камеры: базовый снимает всё, а продвинутый видит детали, но весит больше.

Шаг 3: подключите локальную LLM

Используйте Ollama для запуска языковой модели. Установка описана в нашем гайде по установке. Запустите компактную модель:

ollama pull qwen2.5:3b
# или для лучшего качества:
ollama pull llama3.2:8b

Модель 3B–8B достаточно для голосовых команд и диалогов. Больше не нужно: голосовой ассистент — не исследователь, а скорее секретарь с быстрыми ответами.

Шаг 4: настройте синтез речи

Для ответов голосом установите Coqui TTS или espeak-ng:

pip install TTS
# Запуск с русской моделью:
tts --model_name tts_models/multilingual/multi-dataset/xtts_v2 --text "Привет! Чем могу помочь?" --out_path response.wav

xtts_v2 умеет клонировать голос по короткому образцу — загрузите 10-секундный аудиофайл и ассистент заговорит вашим голосом. Это как аватар: тот же тембр, интонации, манера речи.

Шаг 5: свяжите всё в пайплайн

Напишите Python-скрипт, который объединяет три компонента:

import whisper
import ollama
from TTS.api import TTS

# 1. Слушаем микрофон → текст
model = whisper.load_model("base")
audio = record_audio(duration=5)
text = model.transcribe(audio)["text"]

# 2. Текст → ответ модели
response = ollama.chat(model="qwen2.5:3b", messages=[{"role": "user", "content": text}])
answer = response["message"]["content"]

# 3. Ответ → голос
tts = TTS(model_name="tts_models/multilingual/multi-dataset/xtts_v2")
tts.tts_to_file(text=answer, file_path="response.wav", speaker_wav="my_voice.wav", language="ru")
play_audio("response.wav")

Это упрощённая схема. Для продакшена добавьте детекцию голосовой активности (VAD), чтобы ассистент не слушал тишину, и wake word detection для активации по команде типа «Привет, ассистент».

Шаг 6: оптимизируйте и разверните

Ускорение и автозапуск

Используйте faster-whisper вместо стандартного Whisper — он в 4 раза быстрее. Квантованную LLM-модель (Q4) для экономии памяти. Для Raspberry Pi подойдут модели 1B–3B.

Настройте автозапуск через systemd:

[Unit]
Description=Voice AI Assistant

[Service]
ExecStart=/usr/bin/python3 /home/user/voice_assistant/main.py
Restart=always

[Install]
WantedBy=multi-user.target

Теперь ассистент запускается при включении компьютера и работает 24/7 — как умная колонка, только без шпионажа и без подписки.

Итоги

Голосовой ИИ-ассистент без интернета собирается за вечер из трёх компонентов: Whisper (распознавание), Ollama (LLM) и Coqui TTS (синтез речи). Результат — персональный помощник, который работает оффлайн, не отправляет данные наружу и может говорить вашим голосом. Начните с простого пайплайна, а потом постепенно добавляйте wake word, управление умным домом и интеграцию с календарём.