Как установить и настроить Rhasspy на VPS

MAATRIX

Каждая фраза, сказанная колонке с Алисой или Google Ассистентом, улетает на сервер компании — вместе с обрывками разговора рядом и с записью того, как вы, ругаясь, ищете вторую тапку. Rhasspy решает эту проблему радикально: это открытый (MIT) голосовой ассистент, который распознаёт речь, разбирает команду и синтезирует ответ полностью на вашей инфраструктуре, без единого запроса к чужому облаку. Ниже — рабочая установка Rhasspy на VPS с честным разбором того, что такое размещение реально даёт голосовому ассистенту, а что требует дополнительного "железа" дома.

Как устроен Rhasspy: база и сателлиты

Rhasspy — не монолитное приложение "поставил на одну машину с микрофоном и говоришь". Он спроектирован как распределённая система: тяжёлая часть (распознавание речи, NLU-разбор намерения, синтез голоса) может жить на одной машине — "базовой станции", а лёгкие "сателлиты" — устройства с микрофоном и динамиком в каждой комнате — только слушают, стримят аудио на базу и проигрывают ответ. Связь между компонентами идёт по протоколу Hermes поверх MQTT — тот же подход, что использовал в своё время закрытый Snips, до того как Rhasspy стал открытой заменой.

Практический смысл: вместо того чтобы гонять полноценный STT-движок на Raspberry Pi Zero в каждой комнате, вы держите один прожорливый по CPU/RAM процесс в одном месте, а по квартире расставляете дешёвые сателлиты, которым нужен только микрофон, динамик и сеть. VPS в этой схеме — естественный кандидат на роль базовой станции: он всегда включён, не зависит от того, перезагружали ли роутер дома, и с одной точки обслуживает сколько угодно комнат.

Что реально даёт VPS для голосового ассистента, а что нет

Прежде чем ставить — важная оговорка, без неё будет разочарование при первом же запуске.

У VPS физически нет звуковой карты, микрофона и динамика — виртуализированный сервер в дата-центре не подключишь к USB-микрофону. Значит, сам Rhasspy на VPS не сможет "слушать" ничего напрямую: команда --device /dev/snd, которую используют при локальной установке на Raspberry Pi, здесь просто не сработает — устройства /dev/snd не существует. VPS отлично годится как база (STT, NLU, TTS, хранение профиля и намерений), но аудиоввод/аудиовывод обязательно нужен на отдельных сателлитах — старом смартфоне, Raspberry Pi Zero 2 W с USB-микрофоном и колонкой, или ESP32-сателлите на прошивке ESPHome.

Второй нюанс — задержка. Распознавание речи по сети до облачного сервера и обратно добавляет к времени отклика round-trip через интернет — обычно это заметно меньше секунды при близко расположенном дата-центре, но это ориентир, а не гарантия: конкретная цифра зависит от вашего провайдера, локации сервера и модели STT. Если планируете сателлиты, выбирайте сервер географически ближе к дому — это единственный рычаг, который реально снижает задержку в такой схеме.

Если у вас всего одна комната и один сателлит, а простота важнее гибкости — держать Rhasspy целиком локально на том же Raspberry Pi, что и микрофон, тоже разумный вариант, без сетевой зависимости вообще. VPS даёт преимущество, когда сателлитов несколько или когда нужна централизованная точка для интеграции с Home Assistant и другими сервисами дома.

Выбор конфигурации сервера и движка распознавания речи

Требования сильно зависят от выбранного STT-движка — Rhasspy поддерживает несколько, с разным балансом точности и ресурсов.

Для старта с русским языком и парой сателлитов достаточно 2 vCPU и 4 ГБ RAM (Kaldi или Vosk). Диск — SSD/NVMe от 20-30 ГБ: языковые модели сами по себе занимают немного, но с несколькими профилями и логами лучше не экономить. Если позже добавите Whisper для более точного разбора сложных фраз, закладывайте 8 ГБ RAM и будьте готовы к распознаванию не в реальном времени на CPU.

Установка Docker и Rhasspy на VPS

Если Docker ещё не стоит — сначала базовая установка, например по инструкции для Ubuntu 24.04. Дальше — сам Rhasspy.

Рабочая директория и файл конфигурации:

mkdir -p /opt/rhasspy/profiles
cd /opt/rhasspy

docker-compose.yml — обратите внимание, здесь намеренно нет --device /dev/snd: на VPS звукового устройства нет, вся аудиоработа уйдёт на сателлиты:

services:
  rhasspy:
    image: rhasspy/rhasspy:latest
    container_name: rhasspy
    restart: unless-stopped
    ports:
      - "12101:12101"
    volumes:
      - ./profiles:/profiles
    command: --user-profiles /profiles --profile ru

Запуск:

docker compose up -d
docker compose logs -f rhasspy

Первый старт может занять несколько минут — Rhasspy разворачивает структуру профиля и, если модель STT ещё не выбиралась, ждёт настройки через веб-интерфейс. После старта откройте http://IP-сервера:12101 — это административная панель, где выбираются движки STT/NLU/TTS, обучается модель намерений и настраивается MQTT.

Настройка профиля: язык, STT, NLU и синтез речи

В веб-интерфейсе (Settings) для каждого компонента можно выбрать конкретный движок — распознавание речи, разбор намерения (NLU), синтез голоса (TTS) и, при необходимости, wake word (слово-активатор). Для профиля ru разумная отправная точка — Kaldi или Vosk на распознавание, встроенный NLU-движок Rhasspy (он работает на шаблонах фраз, которые вы описываете сами) и eSpeak на синтез: eSpeak звучит механически, зато работает полностью офлайн и есть для русского языка "из коробки" — если важнее естественность голоса, часть облачных TTS (Google WaveNet, Amazon Polly) тоже поддерживается, но тогда фраза-ответ уйдёт наружу, что противоречит смыслу локальной установки.

Намерения (intents) описываются в разделе Sentences шаблонами в формате, похожим на JSGF:

[ЗажигаемСвет]
(включи | зажги) свет [в (кухне | спальне | зале)]

[ВыключаемСвет]
(выключи | погаси) свет [в (кухне | спальне | зале)]

После правки шаблонов нажмите Train — Rhasspy пересоберёт языковую модель под ваш набор фраз. Это ключевое отличие от Алисы или Google: вы явно описываете, что должен понимать ассистент, вместо того чтобы полагаться на облачный универсальный движок с непрозрачной логикой.

Сателлиты, VPN и интеграция с Home Assistant

Сателлит — это отдельный процесс Rhasspy (или лёгкий Hermes-клиент), который слушает микрофон, отправляет аудио на базовую станцию по MQTT и проигрывает ответ через динамик. На Raspberry Pi Zero 2 W с USB-микрофоном сателлит настраивается тем же образом Rhasspy, но в режиме "только аудио" — тяжёлые STT/NLU-компоненты в его профиле отключаются, и он указывает адрес брокера MQTT базовой станции (порт брокера смотрите и настраивайте в разделе Settings → MQTT веб-интерфейса — там же можно поднять внутренний Mosquitto или подключить внешний).

Гонять аудиопоток и MQTT-команды голым текстом через открытый интернет — плохая идея вдвойне: это и вопрос приватности (весь смысл локального ассистента теряется, если голос всё равно идёт по сети в открытом виде), и вопрос безопасности (открытый MQTT-порт наружу — понятная цель для сканеров). Решение — поднять WireGuard на VPS и подключать сателлиты к базовой станции по её адресу внутри VPN-туннеля (например, 10.13.13.1), а порт MQTT/Rhasspy держать закрытым для всего, кроме VPN-подсети:

ufw allow 22/tcp
ufw allow 51820/udp
ufw deny 12101/tcp
ufw enable

Веб-интерфейс администрирования (порт 12101) при таком подходе тоже доступен только через VPN — открывать его напрямую в интернет незачем, если вы не настраиваете систему удалённо через публичный домен с HTTPS и авторизацией. Базовые правила firewall разобраны подробнее в статье про UFW на VPS.

Для управления реальными устройствами (розетки, лампы, климат) Rhasspy сам по себе ничего не включает — он передаёт распознанное намерение дальше, обычно в Home Assistant через MQTT: настроенное намерение ЗажигаемСвет публикуется в MQTT-топик, а автоматизация в Home Assistant подписывается на этот топик и дёргает нужную интеграцию (Zigbee2MQTT, Tasmota, облачный API устройства). Если Home Assistant ещё не развёрнут — с установки на VPS проще всего начать по этой инструкции, а дальше Rhasspy становится голосовым фронтендом поверх уже работающей автоматизации.

Частые вопросы