重要なポイント
- Whisper はローカルで動くオープンな音声認識モデル——音声はあなたのハードウェアを出ない
- Whisper（faster-whisper）アドオンを使う；Wyoming で Assist につながる
- モデルサイズは tiny → base → small → medium → large；大きいほど高精度・低速
- CPU のみのハードウェアでは tiny/base/small を；GPU があれば medium/large が実用的
- Whisper は多言語対応なので、英語以外の命令もクラウドサービスなしで文字起こしされる
- 大きくする前に、より良いマイクと適切なモデルで精度を調整する
- Home Assistant 公式の Whisper アプリは faster-whisper（wyoming-faster-whisper）ベースで、whisper.cpp には公式の Home Assistant アプリがありません
- Home Assistant 向けハードウェアで条件をそろえた速度比較は存在せず、公開されている数値は構成がそれぞれ異なります
- Piper は Wyoming 経由で音声合成を担当し、MacWhisper は Mac のデスクトップアプリで Home Assistant の部品ではありません
なぜローカル音声認識を使うのか？
ローカル音声認識はあなたの音声録音を自分のハードウェアに保つため、音声が第三者へアップロードされません。 オフラインでも動き、リクエストごとのコストもありません。
- プライバシー： クラウドアシスタントは録音を送信し保持し得ますが、ローカル Whisper はしません——スマートホームのプライバシーリスクを参照。
- オフライン： 文字起こしはインターネット障害中も動きます。
- 料金なし： ローカルの文字起こしに利用料はありません。
どの Whisper モデルサイズを使うべきか？
あなたのハードウェアで許容できる精度を出す最小の Whisper モデルを選びましょう——CPU のみなら tiny/base/small、GPU があるなら medium/large。 大きなモデルは、速度を犠牲に、アクセントや雑音の多い音声で精度を上げます。
- ミニPCのCPUでは small を既定にし、精度が足りない場合のみ medium/large へ移ります。
- Raspberry Pi ではレイテンシを使える範囲に保つため tiny/base を使います。
モデル | 相対精度 | 相対速度 | 最適な用途 |
|---|---|---|---|
| tiny | 最低 | 最速 | 低消費電力CPU、短い命令 |
| base | 低 | 非常に速い | Raspberry Pi、簡単なフレーズ |
| small | 良好 | 速い | ミニPCのCPU、日常利用 |
| medium | 高い | 中程度 | GPU または強力なCPU |
| large | 最高 | 最も遅い | GPU、アクセント/騒がしい部屋 |
Wyoming の設定
Whisper アドオンは、Assist が音声認識に使う Wyoming エンドポイントを公開します。 設定は、インストール → モデルを選ぶ → パイプラインで選択、です。
- 1アドオンストアから Whisper（faster-whisper）アドオンをインストールします。
- 2アドオン設定でモデルサイズを設定し、起動します。
- 3アドオンは自動的に Wyoming の音声認識サービスとして登録されます。
- 4設定 → 音声アシスタント で、Assist パイプラインの STT エンジンに Whisper を設定します。
- 5音声ハードウェアを追加する前に、Assist のデバッグツールから文字起こしをテストします。
ハードウェア要件
Whisper は小型モデルなら CPU で動き、medium/large モデルでは GPU が役立ちます。 モデルサイズを、それをホストする機器に合わせましょう。
- Raspberry Pi：許容できるレイテンシのため tiny/base にとどめます。
- ミニPC（CPU）：small はよく動きます；medium は可能ですがより遅い——ローカルスマートホームに最適なハードウェアを参照。
- GPU/NPU があれば：medium と large が高精度に実用的になります。
- ハブが Pi なら、Wyoming 経由で Whisper を別のより強力なマシンで動かせます。
精度の調整
最大の Whisper に手を伸ばす前に、良いマイクと適切なモデルを整えましょう。 家庭の命令では、モデルサイズより音質が重要なことが多いです。
- 話者の近くに、質の良いマイクや音声サテライト機器を使います。
- マイクのある場所の背景雑音を減らします。
- 誤認識を避けるため、アドオンで正しい言語を設定します。
- large に飛ばず、モデルサイズを一段ずつ上げて再テストします。
Home Assistant 向け faster-whisper と whisper.cpp
Home Assistant 公式の Whisper アプリは faster-whisper を基にしており、whisper.cpp には公式アプリがないため、使うには Wyoming 互換サーバーを別途動かす必要があります。 どちらも OpenAI の Whisper モデルをローカルで実行しますが、Assist への接続方法が異なります。
- Home Assistant OS： 設定 > アプリから Whisper アプリをインストールすると、Wyoming 統合が自動で検出します（Whisper アプリのドキュメント）。アプリは以前アドオンと呼ばれていました。
- 既定のモデル：
autoは Raspberry Pi 4 などの ARM デバイスではtiny-int8、それ以外ではbase-int8を選びます。-int8版は精度がやや下がりますが、小さく高速です（Whisper アプリのドキュメント）。 - バックエンド：
stt_libraryがautoの場合、英語は sherpa 経由の Parakeet モデル、中国語・広東語・日本語・韓国語は funasr 経由の SenseVoice、ロシア語は GigaAM、それ以外は faster-whisper を使います（Whisper アプリのドキュメント）。 - コンテナや別ホスト：
rhasspy/wyoming-whisperイメージを起動し（例ではポート 10300）、そのホストとポートで Wyoming Protocol 統合を追加します（wyoming-faster-whisper、Wyoming 統合のドキュメント）。Wyoming サービスはローカルネットワーク上の別の機器でも動かせるため、負荷の高い Whisper に向いています。 - GPU： 同プロジェクトの NVIDIA GPU 用イメージは公開されておらず、自分でビルドします（CPU 用イメージ約 1.6 GB に対し約 10.7 GB）。また Home Assistant OS には GPU パススルーがありません（wyoming-faster-whisper）。
- whisper.cpp： 付属の
whisper-serverは OpenAI 風 API を持つ HTTP サーバーで、Wyoming サーバーではありません（whisper.cpp）。rhasspy/wyoming-whisper-cpp ブリッジはアーカイブ済みです。コミュニティ製ブリッジはありますが、当サイトでは検証していません。
項目 | faster-whisper | whisper.cpp |
|---|---|---|
| Home Assistant アプリ | 公式 Whisper アプリ | 公式アプリなし |
| Wyoming サーバー | wyoming-faster-whisper | wyoming-whisper-cpp（アーカイブ済み） |
| HA OS への導入 | 設定 > アプリ > Whisper | 別途起動し Wyoming で追加 |
| Docker への導入 | rhasspy/wyoming-whisper イメージ | whisper-server（HTTP、Wyoming 非対応） |
| GPU 対応 | NVIDIA CUDA 12 + cuDNN 9 | CUDA、Vulkan、Metal、OpenVINO |
| CPU での動作 | CTranslate2、int8 または fp32 | 純粋な C/C++、量子化モデル |
| モデル | tiny〜large-v3、turbo、distil | ggml の tiny〜large |
| 対応言語 | Wyoming 経由で Whisper の 100 言語 | 多言語モデルと .en モデル |
速度：公開ベンチマークが示すこと
Home Assistant 向けハードウェアで faster-whisper と whisper.cpp を同条件で測った数値は見つからなかったため、Raspberry Pi やミニ PC での直接比較はできません。 並べて比較した数値は faster-whisper の README にあるものだけで、デスクトップ PC で faster-whisper v1.1.0 と whisper.cpp v1.7.2 を使い、13 分の音声を文字起こしした結果です。これらのテストを当サイトで実施したわけではありません。
- これらはデスクトップ GPU（CUDA 12.4）と Intel Core i7-12700K での 13 分のファイル文字起こしであり、3 秒程度の音声コマンドではないため、Raspberry Pi やミニ PC でのコマンド遅延は予測できません。バージョンも現行より古いものです。
- Home Assistant 自身のドキュメントでは、Whisper は Raspberry Pi 4 で音声コマンドの処理に「around 8 seconds」、Intel NUC では「in under a second」で完了するとされています。モデルは明記されていません（ローカル Assist のドキュメント）。
- 同じページでは、別のエンジンである Speech-to-Phrase が Raspberry Pi 4 や Home Assistant Green で「under one second」とされています（ローカル Assist のドキュメント）。
- whisper.cpp の README に所要時間の表はなく、コミュニティのベンチマークスレッド（issue 89）へのリンクと、手元の機器で測れる
whisper-benchサンプルがあります。
ハードウェアとモデル | エンジンと設定 | 時間（13 分の音声） |
|---|---|---|
| RTX 3070 Ti 8GB, large-v2 | faster-whisper, fp16, beam 5 | 1m03s |
| RTX 3070 Ti 8GB, large-v2 | whisper.cpp + Flash Attention, fp16, beam 5 | 1m05s |
| i7-12700K (8 threads), small | whisper.cpp, fp32, beam 5 | 2m05s |
| i7-12700K (8 threads), small | faster-whisper, fp32, beam 5 | 2m37s |
| i7-12700K (8 threads), small | faster-whisper, int8, beam 5 | 1m42s |
モデルサイズとメモリ使用量
メモリ使用量はモデルサイズでほぼ決まります。whisper.cpp の README では、tiny が約 273 MB、large が約 3.9 GB です。 以下の数値は whisper.cpp の README によります。
- faster-whisper の README では、RTX 3070 Ti 上の large-v2 は VRAM 4525MB（fp16）、2926MB（int8）です（faster-whisper の README）。
- CPU 上の small モデルについては、同じ README が RAM 1477MB（faster-whisper int8）と 2257MB（fp32）、whisper.cpp は 1049MB（fp32）としています。
- Whisper アプリには
turbo（large-v3より高速）や、distil-small.enのような英語専用の蒸留モデルもあります（Whisper アプリのドキュメント）。
モデル | ディスク（whisper.cpp） | メモリ（whisper.cpp） |
|---|---|---|
| tiny | 75 MiB | ~273 MB |
| base | 142 MiB | ~388 MB |
| small | 466 MiB | ~852 MB |
| medium | 1.5 GiB | ~2.1 GB |
| large | 2.9 GiB | ~3.9 GB |
Piper TTS：音声パイプラインの「話す」側
Piper は Home Assistant の音声構成で使うローカルの音声合成エンジンで、Piper アプリが Whisper アプリと同じように Wyoming 経由で提供します。 Whisper がコマンドを聞き取り、Piper が返答を読み上げます。
- 導入： 設定 > アプリ > Piper。Wyoming 統合が検出します（Piper アプリのドキュメント）。Home Assistant OS 以外では、wyoming-piper を Wyoming サーバーとして動かします（例ではポート 10200）。
- 音声： 名前は
<language>_<REGION>-<name>-<quality>形式で、既定はen_US-lessac-medium。Hugging Face から自動でダウンロードされます。品質x_lowとlowは 16 kHz、mediumとhighは 22.05 kHz です。 - リソース： アプリのドキュメントでは、Raspberry Pi 4 で
mediumまでの音声は実用的な速度で動くとされています。Home Assistant のドキュメントには、中品質モデルの Pi で「can generate 1.6s of voice in a second」とあります（ローカル Assist のドキュメント）。 - 言語： Piper の音声一覧には 44 の言語・地域エントリがあり、ドイツ語、フランス語、スペイン語、ポルトガル語（ブラジルとポルトガル）、中国語、アラビア語（ヨルダン）などを含みます。日本語と韓国語のエントリは一覧では見つかりませんでした。Piper アプリには、追加の音素化ツールのダウンロード（日本語は約 350 MB、タイ語は約 390 MB）が必要な、日本語とタイ語の任意の音声が記載されています。
- メンテナンス： 元の rhasspy/piper リポジトリはアーカイブ済みで、開発は OHF-Voice/piper1-gpl（GPL-3.0）に移っています。同 README には、Open Home Foundation がメンテナーを募集していると書かれています。アプリの実験的な
omnivoiceバックエンドは高品質ですが「much slower」で、「really needs a desktop or server CPU」とされています（Piper アプリのドキュメント）。 - 詳細：Piper TTS レビュー。
MacWhisper は Home Assistant の部品ではありません
MacWhisper は Mac 用のデスクトップアプリで、Home Assistant の部品ではありません。Assist には Whisper アプリか、別の Wyoming 音声認識サーバーを使ってください。 MacWhisper は音声、動画、会議、システム音声を Mac 上でローカルに文字起こしするアプリで、公式サイトに Home Assistant や Wyoming プロトコルの記載はありません。
- Mac でのファイル・会議・ディクテーションには MacWhisper：MacWhisper レビュー。
- エンジンを並べて比較：ローカル Whisper STT の比較。
プロジェクトの更新状況
上記のツールは、アーカイブ済みの whisper.cpp 用 Wyoming ブリッジを除き、活発に更新されています。 日付は各プロジェクトの GitHub リポジトリから取得しました。
プロジェクト | 最新リリース | 最終コミット |
|---|---|---|
| faster-whisper | v1.2.1 (2025-10-31) | 2026-10-16 |
| whisper.cpp | v1.9.5 (2026-10-06) | 2026-10-12 |
| wyoming-faster-whisper | v3.8.1 (2026-09-14) | 2026-10-14 |
| wyoming-piper | v2.5.2 (2026-09-11) | 2026-09-11 |
| Piper (piper1-gpl) | v1.8.0 (2026-09-04) | 2026-10-17 |
| wyoming-whisper-cpp (archived) | リリースなし | 2024-02-29 |
⚠️注意: rhasspy/wyoming-whisper-cpp はアーカイブ済みで、2024-02-29 以降更新がなく、メンテナンスされていない可能性があります。ブリッジに頼る前に、現在の状態を確認してください。元の rhasspy/piper リポジトリもアーカイブ済みです（最終更新 2025-08-26）。
よくある質問
Wyomingプロトコルとは何ですか？
Wyomingは、Home AssistantのAssistパイプラインが音声アドオン（Whisperアドオンのような音声認識、音声合成、ウェイクワード検出）と通信するために使う軽量なネットワークプロトコルです。これにより、アドオンは別の、より高性能なマシン上でも独自のサービスとして動作でき、手動でAPIを接続する必要なくAssistに自動的に登録されます。Wyomingを直接設定することはありません——Whisperアドオンをインストールすると、AssistがWyomingエンドポイントを検出し、パイプラインで選択できるようになります。
Home Assistant にどの Whisper モデルを使うべきですか？
ミニPCのCPUでは small を既定に、Raspberry Pi では tiny か base を、そして GPU があり、アクセントや騒がしい部屋でより高い精度が必要な場合のみ medium か large を使いましょう。一段ずつ上げて再テストします。
ローカル Whisper に GPU は必要ですか？
small 以下には不要です——それらは CPU で動きます。GPU は主に medium と large をリアルタイム利用に十分な速さにします。Wyoming プロトコルで Whisper をより強力なマシンに逃がすこともできます。
ローカル Whisper はオフラインでどれくらい正確ですか？
適切なモデルと良いマイクなら精度は高く、大きなモデルほどアクセントや雑音をうまく扱います。明瞭な家庭の命令には、ミニPC上の small モデルで通常十分な精度で、完全にオフラインで動きます。
ローカル Whisper は多言語対応ですか？
はい。Whisper は多くの言語に対応するため、英語以外の命令もクラウドサービスなしでローカルに文字起こしされます。最良の結果のため、アドオン設定で言語を設定しましょう。
Home Assistant には faster-whisper と whisper.cpp のどちらが向いていますか？
faster-whisper のほうが簡単です。Home Assistant 公式の Whisper アプリがこれを基にしており、設定 > アプリからインストールして Wyoming 統合で検出されます。whisper.cpp には公式アプリがなく、Wyoming 互換サーバーを別途用意する必要があります。各プロジェクトは異なるハードウェアと設定でベンチマークを公開しているため、Home Assistant 向けハードウェアでの直接の速度比較はありません。
whisper.cpp を Home Assistant で使えますか？
使えますが、公式アプリ経由ではありません。Home Assistant は Wyoming プロトコルで音声認識エンジンと通信しますが、whisper.cpp 付属の whisper-server は HTTP を話します。rhasspy/wyoming-whisper-cpp ブリッジはアーカイブ済み（最終更新 2024-02-29）で、コミュニティ製ブリッジは当サイトでは未検証です。Wyoming サーバーは 設定 > デバイスとサービス からホストとポートを指定して追加します。
Home Assistant の Piper とは何ですか？
Piper はローカルで動くニューラル音声合成エンジンです。Home Assistant の Piper アプリが Wyoming 経由で提供し、en_US-lessac-medium のような名前の音声で返答を読み上げます。開発は OHF-Voice/piper1-gpl で続いており、元の rhasspy/piper リポジトリはアーカイブ済みです。
MacWhisper は Home Assistant のアドオンですか？
いいえ。MacWhisper は音声・動画・会議を文字起こしする Mac 用デスクトップアプリで、公式サイトに Home Assistant や Wyoming の記載はありません。Assist には Whisper アプリか、別の Wyoming 音声認識サーバーを使ってください。