Los asistentes de voz en la nube — Alexa, Google Assistant, Gemini for Home — envían cada “apaga las luces de la cocina” a través de un centro de datos. Incluso con los nuevos chips on-device, la mitad del viaje de ida y vuelta sigue saliendo de nuestra red. La pila de voz local de 2026 ejecuta todo el proceso en hardware que poseemos, con tiempos de respuesta inferiores a 200 milisegundos y cero datos que salen de la LAN. Probamos siete aplicaciones de escritorio y herramientas autohospedadas para encontrar las mejores aplicaciones para el control de voz local del hogar inteligente.
El equipo de prueba consistía en un Home Assistant Yellow con un módulo de computación Pi 5 de 16 GB, además de un Intel NUC separado con 32 GB de RAM ejecutando modelos. Medimos la latencia, la precisión de la palabra de activación y cómo se integra cada herramienta con Home Assistant y el ecosistema más amplio del hogar inteligente. Ya sea que queramos una configuración lista para usar pulida o una pila DIY desde cero, una de estas se ajustará.
Qué buscar en una pila de voz local
- Procesamiento local end-to-end. Palabra de activación, conversión de voz a texto, coincidencia de intención, conversión de texto a voz, ejecución de acciones — todo en nuestro hardware.
- Latencia. Menos de 300 ms se siente instantáneo; más de 1 segundo se siente como Alexa de la era de la nube.
- Requisitos de hardware. Algunos modelos necesitan 8 GB+ de RAM dedicada. Un Raspberry Pi 4 por sí solo generalmente no es suficiente para la pila completa.
- Precisión de la palabra de activación. Los falsos positivos despiertan el asistente accidentalmente; los errores nos hacen repetir. Las palabras de activación entrenadas por usuario funcionan mejor que las genéricas.
- Compatibilidad de idiomas. Inglés primero es el predeterminado; español, francés, alemán, italiano, ruso, portugués y japonés tienen una cobertura decente. Los idiomas más pequeños se quedan atrás.
- Integración con plataformas de hogar inteligente. La integración de Home Assistant es el estándar de oro. Las herramientas que solo funcionan de forma independiente son limitadas.
Comparación rápida
| Herramienta | Mejor para | Licencia | STT local | TTS local |
|---|---|---|---|---|
| Home Assistant | Hogar inteligente completo + voz en uno | Apache 2.0 | Sí (vía Whisper) | Sí (vía Piper) |
| Whisper (faster-whisper) | Motor de conversión de voz a texto local | MIT | Sí | No disponible |
| Piper | Motor de conversión de texto a voz local | MIT | No disponible | Sí |
| Rhasspy | Kit de herramientas de voz modular más antiguo | MIT | Sí | Sí |
| Mycroft AI / OpenVoiceOS | Asistente de voz independiente | Apache 2.0 | Sí | Sí |
| Willow | Hardware basado en ESP32 + pila local | Apache 2.0 | Sí (lado del servidor) | Sí |
| Ollama | LLM local para coincidencia de intención | MIT | No disponible | No disponible |
Las 7 mejores aplicaciones para control de voz local
1. Home Assistant — mejor pila end-to-end
Home Assistant es la plataforma alrededor de la cual orbitan todas las demás herramientas en esta lista. La canalización Assist de 2026 vincula un motor de palabra de activación (microWakeWord en hardware dedicado), un motor de conversión de voz a texto (Whisper a través del Protocolo Wyoming), un comparador de intención (Speech-to-Phrase o respaldado por LLM) y un motor de conversión de texto a voz (Piper) en una canalización configurable.
El hardware Home Assistant Voice Preview Edition ($59) es el punto de entrada pulido — un pequeño puck con una matriz de micrófono que ejecuta la detección de palabra de activación localmente. La canalización assist puede mantenerse 100% local incluso con este hardware.
Dónde se queda corto: La configuración requiere planificación — elegir el Pi o NUC correcto, decidir si ejecutar Whisper en CPU o GPU, configurar complementos. La interfaz de usuario de configuración ayuda pero YAML aún aparece para configuraciones avanzadas. La voz en Piper es buena pero no tan natural como la de Alexa.
Precio: Software de servidor gratuito; ~$59 para HA Voice PE; ~$130-$300 para hardware de computación
Plataformas: Home Assistant OS en Raspberry Pi, NUC, caja x86 o en una VM
Descargar: home-assistant.io
Conclusión: Elige Home Assistant como el cerebro de la pila. Omítelo solo si queremos un asistente de voz independiente sin integración de hogar inteligente.
2. Whisper (faster-whisper) — mejor conversión de voz a texto local
Whisper es el modelo de conversión de voz a texto de código abierto de OpenAI. La reescritura “faster-whisper” utiliza CTranslate2 para ejecutarse 4-8 veces más rápido que el original, con la transcripción comenzando mientras aún estamos hablando. Es el motor de conversión de voz a texto que la mayoría de las configuraciones de Home Assistant Voice usan bajo el capó, ejecutándose como un complemento del Protocolo Wyoming.
Para los usuarios que desean la mejor conversión de voz a texto local en 2026, Whisper es la opción predeterminada. El modelo “small.en” cabe en 1 GB de RAM y maneja comandos comunes. “medium” o “large-v3” son más precisos pero requieren más cómputo.
Dónde se queda corto: La precisión depende del tamaño del modelo — los modelos pequeños pierden acentos y frases inusuales. La aceleración de GPU ayuda mucho pero no es necesaria. La latencia en configuraciones de solo CPU puede superar 1 segundo para frases más largas.
Precio: Gratuito
Plataformas: Docker en Windows, macOS, Linux; o complemento HA
Descargar: github.com/SYSTRAN/faster-whisper
Conclusión: Elige Whisper si queremos la mejor conversión de voz a texto local de su clase. Omítelo solo si nuestro hardware no puede ejecutar ningún modelo.
3. Piper — mejor conversión de texto a voz local
Piper es el motor de conversión de texto a voz de código abierto construido específicamente para síntesis rápida en el dispositivo. Las voces están preentrenadas por idioma, y el tiempo de inferencia en un Pi 4 es muy inferior a 300 ms para una respuesta típica. La versión de 2026 añadió inflexión emocional y voces de 50+ idiomas.
Para los usuarios que desean que la voz de respuesta suene natural sin enviar texto a la nube, Piper es la respuesta.
Dónde se queda corto: La naturalidad de la voz se queda atrás de ElevenLabs y los proveedores de TTS en la nube propietarios. Algunos idiomas menos comunes tienen solo una voz. El entrenamiento de voz personalizado es posible pero requiere tiempo de GPU.
Precio: Gratuito
Plataformas: Docker en Windows, macOS, Linux; o complemento HA
Descargar: github.com/rhasspy/piper
Conclusión: Elige Piper como la voz de cualquier pila local. Omítelo solo si queremos naturalidad de calidad en la nube.
4. Rhasspy — mejor kit de herramientas modular antiguo
Rhasspy es el kit de herramientas original del asistente de voz de código abierto. Es modular por diseño: elige un motor de palabra de activación, un motor de conversión de voz a texto, un reconocedor de intención y un motor de conversión de texto a voz, y Rhasspy los vincula. Aún funciona en 2026 pero ya no es la ruta recomendada para nuevas configuraciones.
El autor original ahora dirige el trabajo de voz de Home Assistant, y la mayoría de las fortalezas de Rhasspy se han trasladado al ecosistema del Protocolo Wyoming. Los usuarios existentes de Rhasspy pueden seguir ejecutándolo — las nuevas instalaciones se sirven mejor con la canalización Assist de Home Assistant.
Dónde se queda corto: La configuración es más compleja que Home Assistant Voice. La documentación no se ha actualizado tan rápido como los documentos de Wyoming. Algunas integraciones se han estancado.
Precio: Gratuito
Plataformas: Docker en Windows, macOS, Linux
Descargar: rhasspy.readthedocs.io
Conclusión: Elige Rhasspy si ya lo ejecutamos. Omítelo para nuevas configuraciones — Assist de Home Assistant es la ruta moderna.
5. Mycroft AI / OpenVoiceOS — mejor asistente de voz independiente
OpenVoiceOS (la bifurcación comunitaria de Mycroft AI después de que la empresa Mycroft se cerrara) es el asistente de voz de código abierto independiente. Es el equivalente de código abierto más cercano a un dispositivo Alexa o Google Assistant dedicado — asistente de voz primero, integración de hogar inteligente segundo.
Para los usuarios que desean un asistente de voz sin comprometerse con Home Assistant, OpenVoiceOS es la opción correcta. Las habilidades cubren música, temporizadores, clima, control de hogar inteligente y mucho más.
Dónde se queda corto: La integración de hogar inteligente es menos pulida que Home Assistant Voice. La comunidad es más pequeña que la de Home Assistant. La compatibilidad de hardware para dispositivos puck de micrófono listos para usar es limitada.
Precio: Gratuito
Plataformas: Docker principalmente en Linux
Descargar: openvoiceos.org
Conclusión: Elige OpenVoiceOS si queremos un asistente de voz independiente. Omítelo si la integración de Home Assistant es crítica.
6. Willow — mejor hardware basado en ESP32 + pila de servidor
Willow es el proyecto de satélite de voz de código abierto que se ejecuta en hardware ESP32-S3-BOX barato ($50-80). La matriz de micrófono y la detección de palabra de activación se ejecutan en el ESP32, mientras que la conversión de voz a texto y la coincidencia de intención se ejecutan en un Servidor de Inferencia Willow que alojamos. La combinación entrega tiempos de respuesta inferiores a 300 ms en una habitación típica.
Para los usuarios que desean múltiples satélites de voz alrededor de la casa sin pagar los precios de Home Assistant Voice PE por habitación, Willow es la opción más económica.
Dónde se queda corto: El hardware ESP32-S3-BOX necesita flashearse (territorio familiar si hemos hecho ESPHome). El servidor de inferencia necesita una máquina moderadamente potente (una Mac mini o NUC). Algunos pasos de integración aún requieren comandos de terminal.
Precio: ESP32-S3-BOX-3 alrededor de $80; el servidor de inferencia usa hardware existente
Plataformas: Servidor en Linux, macOS; satélites en ESP32
Descargar: github.com/HeyWillow/willow
Conclusión: Elige Willow si queremos satélites baratos en cada habitación. Omítelo si flashear hardware ESP32 parece intimidante.
7. Ollama — mejor para coincidencia de intención LLM local
Ollama no es una herramienta de voz — es el tiempo de ejecución LLM local que vincula las partes inteligentes de una pila de voz de 2026. Al ejecutar un modelo pequeño de Llama 3 o Mistral en la red local, la canalización Assist de Home Assistant puede manejar comandos en lenguaje natural (“apaga todo en el dormitorio excepto el ventilador”) que los comparadores de intención simples pierden.
Para los usuarios que desean que su asistente de voz entienda la intención más allá de plantillas rígidas, Ollama es la mejora.
Dónde se queda corto: Requiere una máquina con 8 GB+ de RAM dedicada al modelo. El tiempo de respuesta depende del modelo — Llama 3 8B es receptivo en una Mac con silicio M; Mistral 7B es bueno en la mayoría de cajas x86. La inferencia de CPU puro es más lenta.
Precio: Gratuito
Plataformas: Instalador nativo para Windows, macOS, Linux
Descargar: ollama.com
Conclusión: Elige Ollama para añadir intención respaldada por LLM a la pila de voz de Home Assistant. Omítelo si nuestro hardware no puede alojar un modelo.
Cómo elegir la correcta
Si queremos la configuración de voz local más simple: Home Assistant + hardware Home Assistant Voice PE. Enchufar, seguir el asistente de configuración, y estamos ejecutando localmente en 30 minutos.
Si queremos la mejor precisión de conversión de voz a texto: Whisper (faster-whisper) con el modelo medium en una máquina equipada con GPU.
Si queremos la voz TTS local más natural: Piper con una de las voces de alta calidad.
Si queremos múltiples satélites de voz sin arruinar el presupuesto: Willow con hardware ESP32-S3-BOX.
Si queremos un asistente de voz sin comprometerse con Home Assistant: OpenVoiceOS.
Si queremos coincidencia de intención de calidad LLM: Añade Ollama con un modelo 7B-8B a la canalización Home Assistant Assist.
Si queremos la configuración privada de estándar de oro: Home Assistant + Voice PE + Whisper + Piper + Ollama, todo ejecutándose en un NUC con 32 GB de RAM en la LAN.
Preguntas Frecuentes
¿Puedo realmente ejecutar un asistente de voz local sin nube en absoluto? Sí. La pila de 2026 (Home Assistant Assist + Whisper + Piper + Ollama opcional) se ejecuta completamente en hardware que poseemos. No hay audio, intención o respuesta que salga de la LAN.
¿Qué hardware necesito? Como mínimo, un Raspberry Pi 4 con 4 GB de RAM para Home Assistant en sí, más una máquina pequeña separada (un Pi 5 con 8 GB o cualquier caja Linux pequeña) para Whisper. Para la coincidencia de intención respaldada por LLM, añade otra máquina con 16 GB+ de RAM para Ollama.
¿Cómo se compara el tiempo de respuesta con Alexa? Una pila local bien ajustada responde en 150-300 ms. Cloud Alexa típicamente toma 500-1500 ms. Apple HomePod con HomeKit está entre 200-500 ms.
¿Funcionará en español, francés u otros idiomas? Sí, con advertencias. Whisper maneja ~99 idiomas razonablemente bien. Piper tiene voces para 50+ idiomas. El comparador de intención de Home Assistant funciona en muchos idiomas pero los idiomas más pequeños necesitan más configuración.
¿Sigue viva Mycroft? La empresa Mycroft AI se cerró en 2023. La bifurcación comunitaria, OpenVoiceOS (a.k.a. OVOS), mantiene vivo el proyecto y activamente lanza actualizaciones. Los usuarios existentes de Mycroft pueden actualizar a OVOS.