Zum Inhalt

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Beste Voice-Steuerung-KI-Agenten — Top-20-Topliste (Open Source, Ubuntu 26.04)

Die Voice-Steuerung-Topliste bewertet den Markt breit — inklusive proprietärer, OS-gebundener Assistenten wie Siri, Gemini Live oder Windows Voice Access, die unter Linux ohnehin nicht verfügbar sind. Diese Seite filtert dieselbe Kategorie auf quelloffene Sprachsteuerungs-Projekte, die unter Ubuntu 26.04 tatsächlich lauffähig sind.

Hinweis: Was unter Ubuntu 26.04 bei Sprachsteuerung zählt

Anders als bei Desktop-Software (Wayland/X11) oder Browser-Erweiterungen (Native-Messaging-Hosts) entscheidet bei Voice-Agenten vor allem: (1) läuft die Audio-Pipeline sauber über PipeWire/PulseAudio, (2) ist die Erkennung/Synthese vollständig offline möglich statt an einen proprietären Cloud-Dienst gebunden, und (3) existiert eine native apt/pip/Docker-Installation ohne Windows- oder macOS-Abhängigkeit.

Bewertungskriterien

graph TD
    Start["Eignung eines Voice-Agenten (Open Source, Ubuntu 26.04)"] --> A["Lizenz (einsehbarer Quellcode, keine reine Freemium-App)"]
    Start --> B["Offline-/On-Device-Fähigkeit statt Cloud-Zwang"]
    Start --> C["Audio-Stack-Kompatibilität (PipeWire/PulseAudio/ALSA)"]
    Start --> D["Agentische Handlungsfähigkeit (Diktat vs. echte Aktionen)"]
    Start --> E["Aktivität der Community (Maintenance-Status Juli 2026)"]

Achtung: Manche Projekte sind nur teilweise offen

Bei Cursorless ist nur die Skript-/Grammatik-Ebene quelloffen, während die darunterliegende Talon-Spracherkennungs-Engine proprietär (aber kostenlos nutzbar) bleibt. Bei mehreren Einträgen (Mycroft AI, Coqui STT, Snips) ist die Kernentwicklung inzwischen verlangsamt oder eingestellt — vor Produktivnutzung die aktuelle Repository-Aktivität prüfen. Stand: Juli 2026.

Top 20 im Überblick

Rang Projekt Lizenz Offline-fähig Einschätzung Besondere Stärke Schwäche
1 whisper.cpp MIT Vollständig Sehr stark Extrem schnelle CPU-Inferenz ohne Cloud, exzellente Ubuntu-Paketierung (make/cmake), riesige Community Reine Transkription, keine eingebaute Aktionsausführung
2 Home Assistant Assist (Year of Voice) Apache-2.0 Vollständig Sehr stark Vollständig self-hostbare Smart-Home-Sprachsteuerung, native Linux-/Docker-Installation, sehr aktiv weiterentwickelt Fokus auf Smart-Home-Befehle statt allgemeiner Desktop-Agent
3 Rhasspy MIT Vollständig Sehr stark Komplettes Offline-Sprachassistenten-Toolkit, Docker-Image speziell für Linux-Server Projekt-Aktivität seit Integration in Home Assistant Assist zurückgegangen
4 Vosk Apache-2.0 Vollständig Stark Sehr leichtgewichtiges Offline-Spracherkennungs-Toolkit, gute pip-Kompatibilität, viele Sprachmodelle Reine Spracherkennung ohne eingebaute Aktionslogik
5 Faster-Whisper MIT Vollständig Stark Deutlich schnellere Whisper-Inferenz via CTranslate2, gut mit/ohne GPU unter Ubuntu nutzbar Wie Whisper reine Transkription ohne Agentenlogik
6 nerd-dictation GPL-3.0 Vollständig Stark Sehr leichtgewichtiges Linux-natives Diktat-Tool auf Vosk-Basis, direkt für X11/Wayland-Texteingabe gedacht Nur Diktat, keine agentischen Aktionen
7 Speech Note GPL-3.0 Vollständig Solide bis stark Native GNOME/Linux-Desktop-App für Offline-Diktat mit Whisper-/Vosk-Backends, eigene grafische Oberfläche Primär Diktat-Tool, keine Aktionssteuerung
8 Cursorless (+ Talon) MIT (Cursorless) Vollständig Solide bis stark Sehr präzise strukturelle Code-Bearbeitung per Sprachbefehl statt reinem Diktat Benötigt den nicht quelloffenen Talon-Kern als Spracherkennungs-Engine
9 SpeechBrain Apache-2.0 Vollständig Solide bis stark Vielseitiges PyTorch-Toolkit für ASR/TTS/Sprechererkennung, guter Baustein für eigene Voice-Agenten Framework statt fertiger Assistent, erfordert eigene Integration
10 NVIDIA NeMo (ASR-Module) Apache-2.0 Vollständig Solide bis stark Sehr ausgereifte ASR-Modelle, gute Ubuntu-/CUDA-Paketierung GPU-Anforderungen für gute Performance, technisch anspruchsvoller Einstieg
11 Piper MIT Vollständig Solide Sehr schnelle, leichtgewichtige lokale Sprachsynthese (TTS), oft mit Rhasspy/Home Assistant kombiniert Nur Sprachausgabe, kein Spracherkennungs-/Aktionsteil
12 Coqui STT MPL-2.0 Vollständig Solide Nachfolger von Mozilla DeepSpeech, quelloffene STT-Engine mit guter Linux-Unterstützung Projekt-Aktivität seit 2024 stark zurückgegangen
13 Kaldi Apache-2.0 Vollständig Solide Etabliertes, sehr flexibles Forschungs-Toolkit für Spracherkennung, Linux-native Kernkomponente Hohe Einstiegshürde, eher für Forschung als fertige Assistenten
14 Willow / Willow Inference Server Apache-2.0 Vollständig Solide Offene Sprachassistenten-Plattform mit selbst hostbarem Inferenz-Server, Docker-Deployment unter Ubuntu Ökosystem primär auf eigene ESP32-Hardware-Satelliten ausgelegt
15 Mycroft AI / OpenVoiceOS Apache-2.0/GPL Vollständig Solide Quelloffene Sprachassistenten-Plattform, keine Cloud-Abhängigkeit nötig Spracherkennungsqualität hinter kommerziellen Top-Anbietern, Kernprojekt nur eingeschränkt aktiv
16 LocalAI (Audio-Plugins) MIT Vollständig Solide Self-hostbare, OpenAI-API-kompatible Whisper-/TTS-Anbindung, einfach per Docker unter Ubuntu betreibbar Betrieb/Konfiguration aufwendiger als fertige Endnutzer-Assistenten
17 ESPHome Voice Assistant (Year of Voice) GPL-3.0/MIT Vollständig Ausreichend bis solide Offene Firmware für eigene Sprachsteuerungs-Hardware, tief mit Home Assistant integriert Erfordert eigene Hardware-Satelliten, kein reines Softwareprodukt für den Desktop
18 Snips (Community-Nachfolgeprojekte) Apache-2.0 (Teilkomponenten) Vollständig Ausreichend Historisch bedeutendes offenes On-Device-NLU-Projekt, einzelne Komponenten weiterhin nutzbar Ursprüngliches Projekt eingestellt, nur noch über Community-Forks verfügbar
19 Talon + Community-Skripte (knausj_talon) MIT (nur Skripte) Vollständig Ausreichend bis solide Weiterhin präziseste Sprachsteuerung für Coding, Skript-Basis vollständig offen einsehbar Talon-Spracherkennungs-Kern selbst ist nicht quelloffen, nur kostenlos nutzbar
20 Whisper + eigener Agenten-Stack (Eigenbau) MIT (Whisper) Vollständig Ausreichend Volle Kontrolle, keine Abhängigkeit von einem fertigen Produkt Erfordert vollständige Eigenentwicklung der Aktionslogik

Tipp: Rang ≠ einzige Entscheidungsgröße

Für reine, schnelle Offline-Transkription ist whisper.cpp (bzw. Faster-Whisper mit GPU) aktuell die zuverlässigste Wahl. Für echte agentische Sprachsteuerung des Smart Home ist Home Assistant Assist am weitesten ausgereift, da es Erkennung, Intent-Verarbeitung und Aktionsausführung bereits vollständig integriert — bei den reinen ASR-Toolkits (Vosk, Kaldi, NeMo, SpeechBrain) muss die Aktionslogik dagegen selbst gebaut werden.

Empfehlung nach Einsatzszenario

graph TD
    Ziel{"Welches Szenario?"} -->|"Reine Offline-Diktat-/Transkriptionsaufgabe"| A["whisper.cpp / Faster-Whisper / nerd-dictation"]
    Ziel -->|"Smart-Home-Sprachsteuerung, self-hosted"| B["Home Assistant Assist / Rhasspy"]
    Ziel -->|"Programmieren per Sprache"| C["Cursorless (+ Talon) / knausj_talon"]
    Ziel -->|"Eigenen Voice-Agenten-Stack bauen"| D["Vosk/Kaldi/SpeechBrain/NeMo + eigene Aktionslogik"]
    Ziel -->|"Eigene Hardware-Sprachsatelliten"| E["Willow / ESPHome Voice Assistant"]

🔗 Verwandte Themen

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).