Assistentes de voz na nuvem — Alexa, Google Assistant, Gemini for Home — enviam cada “apague as luzes da cozinha” através de um centro de dados. Mesmo com os novos chips on-device, metade do trajeto de ida e volta ainda sai de nossa rede. A pilha de voz local de 2026 executa todo o pipeline em hardware que possuímos, com tempos de resposta abaixo de 200 milissegundos e zero dados saindo da LAN. Testamos sete aplicativos de desktop e ferramentas auto-hospedadas para encontrar os melhores aplicativos para controle de voz local de casa inteligente.
O equipamento de teste consistiu em um Home Assistant Yellow com módulo de computação Pi 5 de 16 GB, além de um Intel NUC separado com 32 GB de RAM executando modelos. Medimos latência, precisão de palavra-chave de ativação e como cada ferramenta se integra com Home Assistant e o ecossistema mais amplo de casa inteligente. Quer queiramos uma configuração plug-and-play polida ou uma pilha DIY do zero, uma dessas se ajustará.
O que procurar em uma pilha de voz local
- Processamento local de ponta a ponta. Palavra-chave de ativação, conversão de fala para texto, correspondência de intenção, conversão de texto para fala, execução de ação — tudo em nosso hardware.
- Latência. Menos de 300 ms se sente instantâneo; mais de 1 segundo se sente como Alexa da era da nuvem.
- Requisitos de hardware. Alguns modelos precisam de 8 GB+ de RAM dedicada. Um Raspberry Pi 4 sozinho geralmente não é suficiente para a pilha completa.
- Precisão da palavra-chave de ativação. Falsos positivos ativam o assistente acidentalmente; falhas nos fazem repetir. Palavras-chave de ativação treinadas por usuário funcionam melhor que as genéricas.
- Suporte de idioma. Inglês primeiro é o padrão; espanhol, francês, alemão, italiano, russo, português e japonês têm cobertura decente. Idiomas menores ficam para trás.
- Integração com plataformas de casa inteligente. Integração com Home Assistant é o padrão ouro. Ferramentas que funcionam apenas de forma independente são limitadas.
Comparação rápida
| Ferramenta | Melhor para | Licença | STT local | TTS local |
|---|---|---|---|---|
| Home Assistant | Casa inteligente completa + voz em um | Apache 2.0 | Sim (via Whisper) | Sim (via Piper) |
| Whisper (faster-whisper) | Mecanismo local de conversão de fala para texto | MIT | Sim | Não disponível |
| Piper | Mecanismo local de conversão de texto para fala | MIT | Não disponível | Sim |
| Rhasspy | Kit de ferramentas de voz modular mais antigo | MIT | Sim | Sim |
| Mycroft AI / OpenVoiceOS | Assistente de voz independente | Apache 2.0 | Sim | Sim |
| Willow | Hardware baseado em ESP32 + pilha local | Apache 2.0 | Sim (lado do servidor) | Sim |
| Ollama | LLM local para correspondência de intenção | MIT | Não disponível | Não disponível |
Os 7 melhores aplicativos para controle de voz local
1. Home Assistant — melhor pilha de ponta a ponta
Home Assistant é a plataforma em torno da qual todas as outras ferramentas nesta lista giram. O pipeline Assist 2026 une um mecanismo de palavra-chave de ativação (microWakeWord em hardware dedicado), um mecanismo de conversão de fala para texto (Whisper via Protocolo Wyoming), um correspondente de intenção (Speech-to-Phrase ou apoiado por LLM) e um mecanismo de conversão de texto para fala (Piper) em um pipeline configurável.
O hardware Home Assistant Voice Preview Edition ($59) é o ponto de entrada polido — um pequeno disco com matriz de microfone que executa detecção de palavra-chave localmente. O pipeline de assistência pode permanecer 100% local mesmo com este hardware.
Onde cai: A configuração requer planejamento — escolher o Pi ou NUC certo, decidir se deve executar Whisper em CPU ou GPU, configurar complementos. A UI de configuração ajuda, mas YAML ainda aparece para configurações avançadas. A voz no Piper é boa, mas não tão natural quanto a voz da Alexa.
Preço: Software de servidor gratuito; ~$59 para HA Voice PE; ~$130-$300 para hardware de computação
Plataformas: Home Assistant OS em Raspberry Pi, NUC, caixa x86 ou em uma VM
Download: home-assistant.io
Conclusão: Escolha Home Assistant como o cérebro da pilha. Pule-a apenas se quisermos um assistente de voz independente sem integração de casa inteligente.
2. Whisper (faster-whisper) — melhor conversão de fala para texto local
Whisper é o modelo de conversão de fala para texto de código aberto da OpenAI. A reescrita “faster-whisper” usa CTranslate2 para executar 4-8x mais rápido que o original, com transcrição começando enquanto ainda estamos falando. É o mecanismo de conversão de fala para texto que a maioria das configurações de Home Assistant Voice usam sob o capô, executado como um complemento do Protocolo Wyoming.
Para usuários que desejam a melhor conversão de fala para texto local em 2026, Whisper é o padrão. O modelo “small.en” cabe em 1 GB de RAM e lida com comandos comuns. “medium” ou “large-v3” são mais precisos, mas exigem mais computação.
Onde cai: A precisão depende do tamanho do modelo — modelos pequenos perdem sotaques e frases incomuns. Aceleração de GPU ajuda muito, mas não é necessária. A latência em configurações somente CPU pode ultrapassar 1 segundo para frases mais longas.
Preço: Gratuito
Plataformas: Docker no Windows, macOS, Linux; ou complemento HA
Download: github.com/SYSTRAN/faster-whisper
Conclusão: Escolha Whisper se quisermos a melhor conversão de fala para texto local de sua classe. Pule-a apenas se nosso hardware não conseguir executar nenhum modelo.
3. Piper — melhor conversão de texto para fala local
Piper é o mecanismo de conversão de texto para fala de código aberto construído especificamente para síntese rápida no dispositivo. As vozes são pré-treinadas por idioma, e o tempo de inferência em um Pi 4 é bem abaixo de 300 ms para uma resposta típica. A versão de 2026 adicionou inflexão emocional e vozes de 50+ idiomas.
Para usuários que desejam que a voz de resposta soe natural sem enviar texto para a nuvem, Piper é a resposta.
Onde cai: A naturalidade da voz fica atrás do ElevenLabs e dos provedores de TTS em nuvem proprietários. Alguns idiomas menos comuns têm apenas uma voz. O treinamento de voz personalizado é possível, mas exige tempo de GPU.
Preço: Gratuito
Plataformas: Docker no Windows, macOS, Linux; ou complemento HA
Download: github.com/rhasspy/piper
Conclusão: Escolha Piper como a voz de qualquer pilha local. Pule-a apenas se quisermos naturalidade de qualidade em nuvem.
4. Rhasspy — melhor kit de ferramentas modular mais antigo
Rhasspy é o kit de ferramentas original de assistente de voz de código aberto. É modular por design: escolha um mecanismo de palavra-chave de ativação, um mecanismo de conversão de fala para texto, um reconhecedor de intenção e um mecanismo de conversão de texto para fala, e Rhasspy os une. Ainda funciona em 2026, mas não é mais o caminho recomendado para novas configurações.
O autor original agora lidera o trabalho de voz do Home Assistant, e a maioria dos pontos fortes do Rhasspy foi portada para o ecossistema do Protocolo Wyoming. Os usuários existentes do Rhasspy podem continuar executando-o — novas instalações são melhor servidas pelo pipeline Assist do Home Assistant.
Onde cai: A configuração é mais envolvida que Home Assistant Voice. A documentação não foi atualizada tão rapidamente quanto a documentação do Wyoming. Algumas integrações paralisaram.
Preço: Gratuito
Plataformas: Docker no Windows, macOS, Linux
Download: rhasspy.readthedocs.io
Conclusão: Escolha Rhasspy se já o estamos executando. Pule-a para novas configurações — Assist do Home Assistant é o caminho moderno.
5. Mycroft AI / OpenVoiceOS — melhor assistente de voz independente
OpenVoiceOS (o fork da comunidade do Mycroft AI após a empresa Mycroft encerrar) é o assistente de voz independente de código aberto. É o equivalente de código aberto mais próximo a um dispositivo dedicado Alexa ou Google Assistant — assistente de voz primeiro, integração de casa inteligente em segundo lugar.
Para usuários que desejam um assistente de voz sem se comprometer com Home Assistant, OpenVoiceOS é a escolha certa. As habilidades cobrem música, cronômetros, clima, controle de casa inteligente e muito mais.
Onde cai: A integração de casa inteligente é menos polida que Home Assistant Voice. A comunidade é menor que a do Home Assistant. O suporte de hardware para dispositivos de disco de microfone prontos para usar é limitado.
Preço: Gratuito
Plataformas: Docker principalmente em Linux
Download: openvoiceos.org
Conclusão: Escolha OpenVoiceOS se quisermos um assistente de voz independente. Pule-a se a integração com Home Assistant for crítica.
6. Willow — melhor hardware baseado em ESP32 + pilha de servidor
Willow é o projeto de satélite de voz de código aberto que funciona em hardware ESP32-S3-BOX barato ($50-80). A matriz de microfone e detecção de palavra-chave funcionam no ESP32, enquanto a conversão de fala para texto e correspondência de intenção funcionam em um Servidor de Inferência Willow que hospedamos. A combinação oferece tempos de resposta abaixo de 300 ms em uma sala típica.
Para usuários que desejam vários satélites de voz em torno da casa sem pagar os preços do Home Assistant Voice PE por sala, Willow é a opção mais econômica.
Onde cai: O hardware ESP32-S3-BOX precisa ser atualizado (território familiar se temos feito ESPHome). O servidor de inferência precisa de uma máquina moderadamente poderosa (um Mac mini ou NUC). Alguns passos de integração ainda exigem comandos de terminal.
Preço: ESP32-S3-BOX-3 em torno de $80; servidor de inferência usa hardware existente
Plataformas: Servidor em Linux, macOS; satélites em ESP32
Download: github.com/HeyWillow/willow
Conclusão: Escolha Willow se quisermos satélites baratos em cada sala. Pule-a se atualizar hardware ESP32 parece intimidante.
7. Ollama — melhor para correspondência de intenção LLM local
Ollama não é uma ferramenta de voz — é o tempo de execução LLM local que une as partes inteligentes de uma pilha de voz de 2026. Ao executar um pequeno modelo Llama 3 ou Mistral na rede local, o pipeline Assist do Home Assistant pode lidar com comandos em linguagem natural (“apague tudo no quarto exceto o ventilador”) que correspondentes de intenção simples perdem.
Para usuários que desejam que seu assistente de voz compreenda a intenção além de modelos rígidos, Ollama é a atualização.
Onde cai: Requer uma máquina com 8 GB+ de RAM dedicada ao modelo. O tempo de resposta depende do modelo — Llama 3 8B é responsivo em um Mac com silício M; Mistral 7B é bom na maioria das caixas x86. A inferência de CPU puro é mais lenta.
Preço: Gratuito
Plataformas: Instalador nativo para Windows, macOS, Linux
Download: ollama.com
Conclusão: Escolha Ollama para adicionar intenção apoiada por LLM à pilha de voz do Home Assistant. Pule-a se nosso hardware não conseguir hospedar um modelo.
Como escolher a certa
Se quisermos a configuração de voz local mais simples: Home Assistant + hardware Home Assistant Voice PE. Conecte, siga o assistente de configuração, e estamos executando localmente em 30 minutos.
Se quisermos a melhor precisão de conversão de fala para texto: Whisper (faster-whisper) com o modelo medium em uma máquina equipada com GPU.
Se quisermos a voz TTS local mais natural: Piper com uma das vozes de alta qualidade.
Se quisermos vários satélites de voz sem quebrar o banco: Willow com hardware ESP32-S3-BOX.
Se quisermos um assistente de voz sem nos comprometermos com Home Assistant: OpenVoiceOS.
Se quisermos correspondência de intenção de qualidade LLM: Adicione Ollama com um modelo 7B-8B ao pipeline Home Assistant Assist.
Se quisermos a configuração privada de padrão ouro: Home Assistant + Voice PE + Whisper + Piper + Ollama, tudo executado em um NUC com 32 GB de RAM na LAN.
Perguntas Frequentes
Posso realmente executar um assistente de voz local sem nuvem? Sim. A pilha de 2026 (Home Assistant Assist + Whisper + Piper + Ollama opcional) executa completamente em hardware que possuímos. Nenhum áudio, intenção ou resposta sai da LAN.
Que hardware preciso? No mínimo, um Raspberry Pi 4 com 4 GB de RAM para o próprio Home Assistant, mais uma pequena máquina separada (um Pi 5 com 8 GB ou qualquer pequena caixa Linux) para Whisper. Para correspondência de intenção apoiada por LLM, adicione outra máquina com 16 GB+ de RAM para Ollama.
Como o tempo de resposta se compara com Alexa? Uma pilha local bem afinada responde em 150-300 ms. Cloud Alexa geralmente leva 500-1500 ms. Apple HomePod com HomeKit fica entre 200-500 ms.
Funcionará em espanhol, francês ou outros idiomas? Sim, com ressalvas. Whisper lida com ~99 idiomas razoavelmente bem. Piper tem vozes para 50+ idiomas. O correspondente de intenção do Home Assistant funciona em muitos idiomas, mas idiomas menores precisam de mais configuração.
Mycroft ainda está vivo? A empresa Mycroft AI encerrou em 2023. O fork da comunidade, OpenVoiceOS (a.k.a. OVOS), mantém o projeto vivo e ativamente lança atualizações. Os usuários existentes do Mycroft podem atualizar para OVOS.