HomeVoice

HomeVoice holt Gemini Live auf einen alten Echo Show 5 von Amazon. Statt eines neuen Lautsprechers bekommt ein Gerät aus der Schublade ein zweites Leben: freie Gespräche mit Gemini, Smart-Home-Steuerung, Musik und ein Display für Uhr, Fotos und Timer.

Warum das Ganze?

Ich wollte ein Gerät, mit dem ich mich in natürlicher Sprache unterhalten kann – so, wie man heute mit Gemini oder ChatGPT schreibt: nachfragen, Themen wechseln, auch zu aktuellem Geschehen. Die klassischen Sprachassistenten wie Alexa oder Siri bieten mir bei solchen Fragen in der Praxis oft nur eine Websuche an oder sagen, dass sie nicht weiterhelfen können.

Mit dem Google Home Speaker hat Google 2026 genau so ein Gerät vorgestellt: den ersten Lautsprecher, der für Gemini gebaut ist, mit Gemini Live für freie Gespräche. Seit August 2026 gibt es ihn auch in Deutschland, für rund 120 Euro. Dafür hätte ich aber neue Hardware kaufen müssen – dabei lag hier noch ein Echo Show 5 (2. Generation) mit Bildschirm, Lautsprecher und Mikrofonen, nur eben mit Alexa. Der Google-Speaker hat obendrein gar kein Display.

Google Home Speaker oder alter Echo Show?

	Google Home Speaker	Echo Show 5 mit HomeVoice
Gemini Live	mit Google-Home-Premium-Abo	über einen eigenen Gemini-API-Key, bezahlt nach Nutzung
Display	nein, Lichtring	ja, 960 × 480 Pixel
Smart Home	Google Home	Home Assistant über MCP
Musik	Streaming-Dienste von Google und Partnern	Spotify, YouTube Music, Internetradio
Hardware	neu, rund 120 €	vorhandenes Gerät, neu geflasht
Unterbrechen	jederzeit, freihändig	per Hotword (Halbduplex, siehe Grenzen)

Vom Alexa-Gerät zum Gemini-Display

1. Neues Betriebssystem: Auf dem Echo Show 5 läuft statt Amazons Fire OS jetzt LineageOS 18.1 (Android 11). Alexa ist damit komplett verschwunden.
2. Eigener Launcher: HomeVoice ist die Startoberfläche des Geräts – große Uhr, Fotodiashow, Timer, Mikrofon-Taste.
3. Lokales Hotword: openWakeWord lauscht auf dem Gerät. Erst nach dem Hotword wird überhaupt eine Verbindung zu Gemini aufgebaut.
4. Gemini Live mit nativem Audio: Die Sprache geht direkt ins Modell und kommt direkt wieder heraus – ohne klassische Spracherkennung und Sprachausgabe dazwischen.
5. Einrichtung im Browser: Das Gerät zeigt Adresse und PIN, alles Weitere passiert am Computer. Am Gerät selbst gibt es bewusst keine Einstellungen.

Was HomeVoice kann

Neben dem Gespräch mit Gemini steckt in HomeVoice eine Menge kleiner Bausteine. Vieles davon läuft bewusst direkt auf dem Gerät – nichts davon braucht eine Cloud außer Gemini selbst.

Lokale Hotword- und Spracherkennung

Das Mikrofon hört dauerhaft zu, aber nur lokal: openWakeWord erkennt das Hotword direkt auf dem Echo Show. Erst danach wird überhaupt eine Verbindung zu Gemini aufgebaut. Eingebaut sind „Alexa“, „Hey Jarvis“, „Hey Mycroft“ und „Hey Rhasspy“, eigene Modelle lassen sich hochladen. Die Empfindlichkeit stellt man in der Weboberfläche mit einer Live-Anzeige ein: Hotword sagen, Schwelle knapp unter die Spitze legen.

Während des Gesprächs erkennt Silero VAD lokal, ob gerade jemand spricht. Die Sitzung bleibt offen, solange geredet wird, und endet fünf Sekunden nach dem letzten Wort oder wenn man sich verabschiedet – Hintergrundgeräusche halten sie nicht künstlich offen. Im Leerlauf überspringt die Erkennung bei Stille das rechenintensive Modell; so liegt die Grundlast auf dem alten MediaTek-Chip bei grob 20 bis 40 Prozent eines Kerns. Und wer sicher sein will: Die Mikrofon-Taste schaltet die Aufnahme komplett ab, auch über einen Neustart hinweg.

Spotify, YouTube Music und Radio

Spotify wird einmalig in der Weboberfläche verbunden. Danach sucht Gemini über die Spotify-Schnittstelle nach Künstlern, Titeln, Alben, eigenen Playlists und Lieblingssongs und startet die Wiedergabe in der Spotify-App auf dem Gerät. Dazu kommen YouTube Music und Internetradio ohne zusätzliche App – unbekannte Sender sucht HomeVoice selbst im offenen Radioverzeichnis radio-browser.info und merkt sie sich.

• „Spiel meine Lieblingssongs“, „Mach Radio an“, „Was läuft gerade?“
• Lautstärke in Prozent, von 1 bis 10 oder einfach „lauter“ und „leiser“
• Now-Playing-Widget mit Cover und Tasten; beim Hotword wird die Musik automatisch leiser

Ein Gedächtnis für die KI

„Merk dir, dass der Müll donnerstags rausmuss“ – und HomeVoice weiß es auch in einem späteren Gespräch noch. Einträge gelten für eine Person oder den ganzen Haushalt, „Vergiss …“ löscht sie wieder. Das Gedächtnis wird bei jedem Gespräch mitgegeben, die neuesten Einträge direkt, ältere über eine Suche. Bearbeiten und aufräumen lässt sich alles in der Weboberfläche.

Personen und Stimmerkennung

HomeVoice erkennt, wer gerade spricht. Jede Person spricht dafür drei bis fünf Sätze am Gerät ein; gespeichert wird nur ein Stimmabdruck (CAM++), und der verlässt das Gerät nie. Erkannt wird schon beim Hotword und danach bei jeder Äußerung.

• „Was steht für mich an?“ fragt den persönlichen Kalender, „Was steht heute an?“ alle Kalender
• „Wer bin ich?“ beantwortet HomeVoice direkt
• Gedächtnis-Einträge lassen sich einer Person zuordnen
• Bei sehr ähnlichen Stimmen sagt HomeVoice ehrlich „unbekannt“, statt zu raten – und versteht sich ausdrücklich nicht als Sicherheitsmerkmal

Home Assistant über MCP

Das Smart Home ist über das Model Context Protocol (MCP) angebunden – entweder über die MCP-Integration von Home Assistant oder über dessen eingebauten MCP-Server. Gemini bekommt dabei nur sichere Werkzeuge: Zustände abfragen, Geräte schalten, Verlauf, Kalender und To-do-Listen. Administrative Funktionen wie Neustarts, Löschen oder Backups bleiben gesperrt, solange man sie nicht ausdrücklich freigibt.

Der eigentliche Trick ist der Hausstatus: Eine Vorlage, die Home Assistant jede Minute ausfüllt – welche Lichter in welchem Raum brennen, Energie und Photovoltaik, das Auto, das Wetter, die nächsten Termine. Dieser Status steht in jedem Gespräch bereit. Gemini kann deshalb sofort antworten, ohne erst nachzufragen, und kennt die Geräte zum Schalten. Die minütliche Abfrage geht nur an Home Assistant, nicht an Google.

Fotos ohne Cloud – mit Gesichtserkennung

Wenn niemand spricht, ist HomeVoice ein digitaler Bilderrahmen. Fotos lädt man über die lokale Weboberfläche direkt auf das Gerät hoch, auch im iPhone-Format HEIC. Sie landen in keiner Cloud, sondern nur auf dem Echo Show, verkleinert auf maximal 2560 Pixel.

Beim Hochladen sucht ein kleines KI-Modell (UltraFace, rund ein Megabyte groß) direkt auf dem Gerät nach Gesichtern. Die langsame Kamerafahrt der Diashow wird danach so geplant, dass alle oder die größten Gesichter im Bild bleiben – statt minutenlang Füße oder Zimmerdecke zu zeigen. Eine Galerie mit Vorschaubildern und ein Nachtmodus mit gedimmter Uhr gehören auch dazu.

Geplante Jobs und Erinnerungen

„Erinnere mich morgen um 10 an den Zahnarzt“, „Schick mir werktags um 7 das Wetter aufs iPhone“ oder „Sag Bescheid, wenn die Spülmaschine fertig ist“: Ein Job besteht aus einer Aufgabe und einem Auslöser – einer Uhrzeit oder einem Ereignis aus Home Assistant. Ausgeführt wird er von HomeVoice mit allen Werkzeugen, als Durchsage am Gerät oder als Push-Nachricht aufs Handy.

Aktuelles Geschehen

Gemini nutzt die Google-Suche direkt im Gespräch. Fragen zu Nachrichten, Ergebnissen oder Öffnungszeiten beantwortet HomeVoice deshalb mit aktuellen Informationen, statt nur eine Websuche anzubieten. Die Suche lässt sich abschalten, denn sie kostet extra.

Timer und Bedienung

Timer lassen sich stellen, abbrechen und auflisten und überstehen sogar einen Neustart. Untertitel zeigen beim Sprechen Zahlen, Daten und Uhrzeiten als Ziffern. Eine farbige Statusleiste verrät, was gerade passiert: Weiß heißt verbinden, Blau zuhören, Violett sprechen, Rot ein Fehler.

Einrichtung im Browser

Am Gerät selbst gibt es bewusst keine Einstellungen – es steht schließlich offen herum. Alles wird in einer PIN-geschützten Weboberfläche eingerichtet, die HomeVoice selbst ausliefert: Gemini-Schlüssel, Modell und Stimme, Jobs, Gedächtnis, Personen, Radiosender, Spotify, Hotword, Home Assistant und die Diashow.

Was auf dem Gerät bleibt

Bleibt auf dem Gerät	Geht an Google (Gemini)
Hotword- und Sprachaktivitätserkennung, Stimmabdrücke, Gesichtserkennung, Fotos	das Gespräch (Audio) ab dem Hotword
Gedächtnis, Jobs, Senderliste, Einstellungen	System-Prompt mit Hausstatus und Gedächtnis
Minütliche Abfragen an Home Assistant	ausgeführte Jobs

Architektur

• Android-App in Kotlin und Jetpack Compose, läuft als Standard-Launcher und Vordergrunddienst.
• On-Device-ML über ONNX: openWakeWord (Hotword), Silero VAD (Sprachaktivität), CAM++ (Sprecher) und UltraFace (Gesichter) – ressourcenschonend auf einem MediaTek MT8163.
• Gemini Live per WebSocket für Gespräche, Gemini Flash für geplante Jobs.
• MCP-Client für Home Assistant, Werkzeuge für Musik, Radio, Timer, Gedächtnis und Jobs.
• Weboberfläche auf dem Gerät, PIN-geschützt.

Grenzen

• Halbduplex: Der Echo Show 5 hat keine Echo-Unterdrückung. Während Gemini spricht, ist das Mikrofon deshalb stumm – unterbrechen geht per Hotword, nicht einfach durch Dazwischenreden.
• Keine Kamera: Der LineageOS-Build erkennt die eingebaute Kamera nicht.
• Sitzungsdauer: Ein Gemini-Live-Gespräch ist auf 10 Minuten begrenzt.
• Inoffizielle Dienste: Die YouTube-Music-Suche und das Radioverzeichnis sind keine offiziellen Schnittstellen und können ausfallen.

Learnings