Rhasspy в Docker Compose: готовый файл

MAATRIX

«Алекса, включи свет» звучит удобно ровно до тех пор, пока вы не задумаетесь, куда улетает запись вашего голоса и что с ней происходит дальше. Rhasspy решает эту проблему буквально — вся обработка речи идёт локально, ни один звуковой файл не покидает вашу сеть. Ниже — рабочий docker-compose.yml, разбор архитектуры «мастер + сателлит» (потому что микрофон физически должен быть у вас дома, а не в дата-центре) и связка с Home Assistant через MQTT.

Почему Rhasspy, а не облачный ассистент

Rhasspy — открытый голосовой стек: распознавание речи (STT), распознавание намерений (intent recognition) и синтез речи (TTS) полностью офлайн. Ни Google, ни Amazon, ни какой-либо внешний сервис не участвуют — вся цепочка «вы сказали → устройство поняло → устройство сделало» замыкается внутри вашей сети.

Стоит сразу проговорить честный нюанс: активная разработка самого Rhasspy как отдельного проекта в последние годы замедлилась — его автор перешёл к работе над протоколом Wyoming, который сейчас использует Home Assistant в своём встроенном голосовом конвейере Assist (тот же принцип: openWakeWord + faster-whisper + Piper, всё локально). Wyoming-путь — более новый и активнее развивающийся, если вы начинаете с нуля и уже сидите в экосистеме Home Assistant, его стоит рассмотреть в первую очередь. Rhasspy при этом никуда не делся, стабилен, работает, и остаётся более гибким там, где нужна тонкая настройка намерений (intents) через sentences.ini или интеграция не только с Home Assistant, а с произвольным MQTT-топиком или HTTP-хуком — этим и хорош этот разбор.

Из практических причин выбрать именно Rhasspy:

• полный офлайн — работает даже без интернета на сервере, если модели уже скачаны;
• гибкая система намерений через простой текстовый формат, без обучения нейросети под каждую фразу;
• поддержка нескольких языков в одном профиле, включая русский;
• лёгкая интеграция с Home Assistant, Node-RED или произвольным скриптом через MQTT.

Архитектура: мастер на сервере и сателлит у микрофона

Ключевой момент, который многие упускают: Rhasspy — это не один контейнер, который «просто слушает». Микрофон и колонка физически должны быть в помещении, где вы говорите, а тяжёлые модели распознавания речи (особенно Kaldi) выгоднее считать на машине с приличным CPU. Отсюда стандартная схема:

• Мастер (master) — контейнер на VPS или домашнем сервере, держит профиль, обучает намерения, крутит STT/TTS-движки и веб-интерфейс на порту 12101;
• Сателлит (satellite) — лёгкий Rhasspy в режиме --mic-mode рядом с микрофоном (обычно Raspberry Pi с USB-микрофоном или ReSpeaker HAT), который стримит аудио на мастер по сети и получает обратно ответ для колонки.

Если у вас несколько комнат — сателлит ставится в каждую, мастер остаётся один. Для дома с одной точкой прослушивания разделение можно не делать и запускать один контейнер сразу с локальным микрофоном — но тогда сервер должен физически находиться в том же помещении, что редко удобно при аренде VPS в дата-центре.

Практичный вариант для тех, кто арендует сервер: STT-движок (самая тяжёлая часть — Kaldi для непрерывного распознавания или Vosk) считается на сервере с нормальным CPU, а дома остаётся только Raspberry Pi-сателлит, который просто передаёт звук по сети. Это снимает нагрузку с малинки и позволяет использовать более точные модели, чем на Pi Zero потянуть.

Готовый docker-compose.yml для мастера

Базовый вариант, рассчитанный на запуск мастер-инстанса на VPS или домашнем сервере с профилем ru:

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

Что здесь важно:

• микрофон и звуковая карта хосту не нужны, если это чистый мастер без прямого прослушивания — устройство /dev/snd не пробрасывается специально;
• ./profiles — единственная директория, которая хранит состояние: обученные намерения, профиль языка, кэш моделей STT/TTS. Именно её нужно бэкапить;
• образ без явного тега версии (latest) в данном случае осознанный выбор — у Rhasspy нет частых релизов с ломающими изменениями, но перед продакшен-использованием стоит зайти на Docker Hub и посмотреть актуальные теги, чтобы зафиксировать конкретную версию вручную;
• порт 12101 — веб-интерфейс, где настраиваются профиль, намерения и тестируется распознавание прямо из браузера (можно загрузить аудио или использовать встроенный микрофон-тест).

Создайте директорию и поднимите контейнер:

mkdir -p ~/rhasspy/profiles
cd ~/rhasspy
docker compose up -d

Первый запуск скачивает модели STT/TTS для выбранного профиля — это может занять несколько минут в зависимости от языка и выбранного движка распознавания. Прогресс виден в логах контейнера: docker compose logs -f rhasspy.

Если планируете держать сателлит на той же машине (без разделения на комнаты), добавьте проброс аудио-устройств и запустите с --mic-mode wav:

    devices:
      - /dev/snd:/dev/snd
    command: --user-profiles /profiles --profile ru --mic-mode wav

Профиль: язык, движок распознавания и голос

Профиль в Rhasspy — это набор настроек одного языка/локали: какой движок STT слушать, каким голосом отвечать, какой wake word ловить. Открыв веб-интерфейс на http://ваш-сервер:12101, во вкладке Settings выбираются:

• Speech to Text — Pocketsphinx (лёгкий, но менее точный, хорош для сателлита на слабом Pi), Kaldi (точнее, требовательнее к CPU, лучше держать на сервере) или Vosk (компромисс, неплохо работает на русском);
• Text to Speech — здесь удобно подключить Piper (тот же движок, что и в связке с Home Assistant): голоса из репозитория rhasspy/piper-voices на Hugging Face совместимы напрямую, установка и подбор голоса подробно разобраны в статье про Piper TTS на VPS;
• Wake Word — Porcupine (требует бесплатный ключ доступа для некоммерческого использования) или Snowboy-совместимые модели для активации по кодовому слову без постоянной передачи звука на сервер;
• Intent Recognition — fsticuffs (по умолчанию, работает на регулярных выражениях из ваших фраз, быстро и без обучения) или более гибкий fuzzywuzzy, если хотите прощать пользователю опечатки и вариации формулировок.

Таблица типичного распределения нагрузки между движками:

Wake word почти всегда стоит держать лёгким и локальным на сателлите — именно он постоянно слушает эфир, и гонять непрерывный поток на сервер до момента активации бессмысленно и небезопасно с точки зрения приватности.

Намерения: sentences.ini вместо обучения нейросети

Вместо того чтобы обучать модель на размеченных данных, Rhasspy использует текстовый формат намерений — вы описываете шаблоны фраз, а система сама строит грамматику. Файл sentences.ini внутри профиля выглядит так:

[СветВключить]
включи (свет | лампу) [в (кухне | спальне | гостиной){room}]

[СветВыключить]
выключи (свет | лампу) [в (кухне | спальне | гостиной){room}]

[Температура]
(какая | какая сейчас) температура [в (кухне | спальне | гостиной){room}]

Скобки [] — необязательная часть фразы, круглые () с вертикальной чертой — варианты слов, фигурные {} — именованный слот, значение которого попадёт в JSON-ответ намерения. После правки sentences.ini через веб-интерфейс (вкладка Sentences) нужно нажать «Train» — переобучение грамматики занимает секунды, это не нейросеть, а построение конечного автомата поверх ваших шаблонов.

Готовое намерение приходит в виде JSON с распознанным intent.name и заполненными слотами (room: "кухне"), это удобно отдавать дальше — в Home Assistant, Node-RED или собственный обработчик на Python через REST API /api/text-to-intent.

Интеграция с Home Assistant и MQTT

Если у вас уже развёрнут Home Assistant в Docker Compose, у него есть готовая интеграция Rhasspy (Settings → Devices & Services → Add Integration → Rhasspy) — достаточно указать адрес мастер-контейнера, и распознанные намерения автоматически превращаются в вызовы сервисов Home Assistant (включить свет, узнать температуру и так далее) без ручного проброса через MQTT.

Если Home Assistant не используется или нужна более гибкая логика (например, реакция не на «включить свет», а на произвольную команду для скрипта), Rhasspy публикует распознанные намерения в MQTT-топик hermes/intent/<IntentName> — на этот топик подписывается любой обработчик, в том числе Node-RED, который умеет строить логику по нодам без единой строчки кода. Для этого в docker-compose.yml мастера добавьте переменную с адресом брокера:

    environment:
      - TZ=Europe/Moscow
    command: >
      --user-profiles /profiles --profile ru
      --mqtt-host mosquitto --mqtt-port 1883

Если брокер MQTT уже используется для Zigbee-устройств (Zigbee2MQTT из связки с Home Assistant — разбор в статье про настройку Zigbee2MQTT на VPS), Rhasspy можно подключить к тому же брокеру — отдельный инстанс Mosquitto ради голосового ассистента не нужен, все компоненты умного дома спокойно живут на одном MQTT.

Частые вопросы