Eigenen deutschen Wake-Word erstellen – ohne eigene Aufnahmen

Wenn dein Smarthome oder Gerät auf eine deutsche Phrase reagieren soll – „Hallo Lampe" statt des englischen „OK Nabu" – stößt du schnell an eine Wand: Fast jedes beliebte Wake-Word-Tool ist auf Englisch optimiert. Hier ist der ganze Weg, inklusive des Teils, der mich überrascht hat.

Das Problem

Das Standard-Wake-Word der Home-Assistant-Voice-Preview-Edition ist englisch. Die Optionen für Deutsch sehen so aus:

1. openWakeWord – kostenlos und gut, aber die offiziellen Modelle sind nur englisch. Ein deutsches Modell selbst zu trainieren hat mich ein Wochenende Python, CUDA und Hyperparameter gekostet – und das Ergebnis hat auf jeden zweiten Satz reagiert.
2. Porcupine (Picovoice) – funktioniert, aber als Lizenz pro Gerät mit Account, und die Sprachunterstützung wurde seit Jahren kaum erweitert.
3. Einen deutschen Datensatz selbst aufnehmen – hunderte unterschiedliche Aufnahmen, Bereinigung, VAD, Training. Für ein Heimprojekt unrealistisch.

Ich wollte es so einfach wie möglich: deutsche Phrase eingeben, kleines Offline-Modell bekommen, fertig.

Warum englische Tools bei Deutsch scheitern

Es fehlt nicht nur eine Modelldatei – die beiden Probleme sind strukturell:

1. Daten. Ein gutes Wake-Word braucht viele Stimmen, Akzente und Hintergrundgeräusche. Englisch hat riesige offene Datensätze; Deutsch hat deutlich weniger.
2. Phonetik. Deutsch hat Vokallänge („Bahn" vs. „Bann"), Umlaute („ü", „ö") und Konsonantenhäufungen („Strom"), die ein auf englische Keywords abgestimmtes Modell einfach nicht überträgt.

Die praktische Abkürzung sind TTS-synthetisierte Trainingsdaten: Erzeuge in Minuten tausende variierte Äußerungen für dein Keyword – ohne Aufnahme. Das bringt dich grob 90 % des Weges.

Die letzten 10 % sind das eigentliche Problem

Rein synthetische Daten decken die „Standardaussprache" ab. Echte Nutzer haben Akzente, nuscheln und reden gegen den Fernseher – im Feld kann der Recall von ~90 % auf ~50 % fallen. Die Lösung, die bei mir tatsächlich funktioniert hat: ein paar echte Aufnahmen (~5 kurze Clips) ergänzen und neu trainieren. Das Modell lernt die reale akustische Streuung menschlicher Stimmen, der Recall steigt wieder über 90 %, und die Fehlauslösungen sinken.

Genau darauf solltest du bei jedem Generator achten: Lässt er dich ein schwaches Modell mit echtem Audio nachbessern – oder steckst du mit dem fest, was die TTS liefert?

Ergebnisse (meine eigenen Tests)

Du musst die Zahl nicht glauben – Modelle und Inferenz-Code sind öffentlich unter github.com/voicute/onnx-wakeword, du kannst klonen und den Recall selbst messen.

Ausführen

Das Modell ist Standard-ONNX und läuft über die Open-Source-onnx-wakeword-Engine (Python, Android, ESP32 und Web):

pip install onnxruntime numpy pyaudio

from wakeword_engine import WakeWordEngine

engine = WakeWordEngine()
engine.load('model_info.json', 'melspectrogram.onnx')
engine.start(lambda word, prob, info: print(f'{word} {prob:.0%}'))

Deutsch ist nicht die einzige Sprache, die funktioniert – derselbe Weg deckt Französisch, Japanisch und Chinesisch ab. Wie die Tools insgesamt abschneiden, zeigt der vollständige Vergleich.