Home Assistant 语音概览#

构建语音助手是一项复杂的任务，需要多种技术协同工作。本页概述了 Home Assistant 语音体系中的主要组成部分，以及它们如何相互配合。

graph TD;
    U((用户))
    STT[语音转文本]
    VA[Assist 管道]
    C[对话]
    I[意图]
    TTS[文本转语音]
    U -->|1\. 语音 + 元数据| VA;
    VA -->|2\. 语音| STT
    STT -->|3\. 句子| VA
    VA -->|4\. 句子 + 元数据| C
    C -->|5\. 意图| I
    I -->|6\. 意图响应| C;
    C -->|7\. 意图响应| VA;
    VA -->|8\. 意图响应| TTS
    TTS -->|9\. 响应音频| VA
    VA -->|10\. 响应音频| U

• Assist 管道集成负责将用户语音转换为文本、处理文本，并把响应再转换为语音。
• 对话集成负责处理用户文本。内置对话代理会把文本匹配到某个意图。集成也可以提供自定义对话代理。
• 意图集成负责执行意图并返回响应。
• Text-to-Speech 集成负责将文本转换为语音。集成也可以提供自定义文本转语音代理。
• Speech-to-Text 集成负责将语音转换为文本。集成也可以提供自定义语音转文本代理。

#捕获用户语音

上图没有说明的一点是：如何捕获用户的语音。这可以通过多种方式实现。

最终目标是打造语音卫星设备（Voice Satellites）。这些设备可以放置在家中的任何位置。一旦检测到唤醒词，它就会捕获用户语音，将其发送给 Home Assistant，并将响应播放给用户。