Tiefe: Fortgeschritten

Sprachassistenten im Wohnraum — was sie steuern und was sie mithören

Was kann ich in einem Wohnraum wirklich per Sprache bedienen, wo hört ein Sprachassistent auf zu funktionieren — und was passiert eigentlich mit dem, was im Raum gesprochen wird?

Die kurze Antwort besteht aus zwei Hälften. Sprache ist ein guter dritter Bedienweg für alles, was einen kurzen Namen hat und keinen Blick verlangt: Licht aus, Musik leiser, Rollladen runter, Timer. Sprache ist ein schlechter erster Bedienweg für alles, wofür man etwas sehen, auswählen oder verlässlich abrufen muss — und sie ist der einzige der drei Wege, der sowohl das Hausnetz als auch die Wolke eines Anbieters braucht, um überhaupt zu antworten. Die zweite Hälfte der Antwort ist die, die im Beratungsgespräch meist ungefragt kommt: Im Wohnzimmer steht dann ein Gerät mit offenem Mikrofon, und was das tut, gehört vor die Entscheidung und nicht danach.

Ein Sprachassistent ist ein Lautsprecher mit Mikrofonen, der auf ein festes Weckwort wartet. Bis dieses Wort fällt, hört er zwar zu, behält das Gehörte aber bei sich und wirft es sofort weg. Erst danach schickt er das Gesagte an den Anbieter, damit dort jemand versteht, was Du willst. Das klappt erstaunlich gut, solange es leise ist und Du nicht zu weit weg stehst — und es klappt merklich schlechter, wenn die Dunstabzugshaube läuft, Musik spielt oder zwei Leute gleichzeitig reden. Deshalb ist Sprache eine schöne Ergänzung zu Schalter und App und ein wackliger Ersatz für beide.

Was im Gerät passiert, bevor irgendetwas gesendet wird

Der Ablauf ist bei den großen Systemen derselbe und in der Dokumentation der Anbieter nachlesbar. Das Gerät befindet sich in einem Bereitschaftsbetrieb und verarbeitet dabei fortlaufend kurze Audioabschnitte von wenigen Sekunden Länge, um darin genau eine Sache zu finden: das Aktivierungswort. Diese Abschnitte bleiben im Gerät. Wird kein Aktivierungswort erkannt, werden sie weder übertragen noch gespeichert — so beschreibt es ein Anbieter in seinen Hinweisen zum Datenschutz ausdrücklich. Erst wenn die Erkennung anschlägt, verlässt Audio das Haus, und erst ab diesem Punkt entsteht eine Aufnahme im üblichen Sinn.

Zwei Dinge daran sind für die Beurteilung wichtig.

Die Erkennung im Gerät ist absichtlich schwach. Sie läuft dauerhaft und auf kleiner Rechenleistung, also kann sie nur einen Mustervergleich leisten. Daraus folgt eine Eigenschaft, die die Anbieter selbst benennen: Fehlauslösungen gehören zum Verfahren. Ein Geräusch, das dem Aktivierungswort ähnelt, ein Wortfetzen aus dem Fernseher, eine versehentlich gedrückte Taste — in all diesen Fällen wacht das Gerät auf, und was danach gesprochen wird, geht auf die Reise. Ein System, das nie fehlauslöst, würde auch dann nicht reagieren, wenn man es wirklich meint; die Empfindlichkeit lässt sich verschieben, aber nicht abschaffen.

Die zweite Prüfung findet auswärts statt. Weil die Erkennung im Gerät schwach ist, prüfen die Systeme das Aktivierungswort auf der Gegenseite noch einmal nach und brechen ab, wenn sich der Verdacht dort nicht bestätigt. Für die Bedienung heißt das: Ohne Verbindung zum Anbieter gibt es keine Antwort. Für die Datenfrage heißt es: Auch eine Fehlauslösung, die verworfen wird, war zuvor eine Übertragung.

Wie viel davon überhaupt auf dem Gerät bleibt, ist gerätespezifisch und verschiebt sich mit den Modellgenerationen. Ein Anbieter formuliert das so, dass die Aufnahme an seine Server geht und dort verarbeitet wird, sofern die Einstellungen des Geräts nicht ausdrücklich die Verarbeitung auf dem Gerät ausweisen. Die Einstellung am konkreten Gerät ist damit die Auskunft, nicht die Produktkategorie.

Warum das Mikrofon dort sitzt, wo es sitzt

Ein Telefon nimmt Sprache aus zwanzig Zentimetern auf. Ein Assistent im Wohnraum soll es aus vier Metern tun, quer durch einen Raum mit Nachhall, neben laufender Wiedergabe. Das ist eine andere Aufgabe, und die Fachliteratur behandelt sie auch als solche: Sprache, die aus der Entfernung aufgenommen wird, ist von akustischen Verzerrungen betroffen und verlangt eine eigene Verarbeitungskette aus Enthallung, Quellentrennung und akustischer Richtwirkung, bevor die Erkennung überhaupt anfängt.

Drei Bausteine dieser Kette erklären, warum die Geräte aussehen, wie sie aussehen, und wo sie stehen müssen.

Mehrere Mikrofone statt eines. Ein Hersteller nennt in seinen Hinweisen für Gerätebauer mindestens zwei Mikrofone als Voraussetzung, um den Störabstand zu verbessern; die bekannten Geräte haben deutlich mehr, ringförmig angeordnet. Der Sinn ist die Laufzeitdifferenz: Kommt dasselbe Signal an zwei Punkten minimal versetzt an, lässt sich daraus die Richtung berechnen, aus der es kam.

Richtwirkung aus dieser Rechnung. Der zweite Baustein macht aus der Richtungsinformation eine Auswahl — das Gerät hebt die Sprecherrichtung an und dämpft die übrigen. Praktisch heißt das: Ein Assistent hört besser in die Richtung, in die er „schaut", und dieses Schauen entsteht rechnerisch aus dem Mikrofonring. Steht das Gerät in einer Nische, an einer Regalrückwand oder mit dem Ring dicht an einer harten Fläche, kommen Direktschall und Reflexion fast gleichzeitig an, die Richtungsrechnung wird unscharf, und die Auswahl greift daneben.

Echokompensation gegen die eigene Wiedergabe. Der dritte Baustein ist der, den man am wenigsten vermutet und der am meisten ausmacht. Damit ein Gerät sein Aktivierungswort auch dann hört, wenn es selbst gerade Musik spielt, rechnet es sein eigenes Ausgangssignal aus dem Mikrofonsignal heraus. Der Anbieter beschreibt das als Anforderung an die Gerätebauer: Die Echokompensation soll die eigene Ausgabe entfernen, damit das Gerät Stimme und Befehl auch während der Wiedergabe aufnimmt. Und daraus folgt die Einschränkung, die den Alltag prägt — herausrechnen lässt sich nur ein Signal, das das Gerät kennt.

Aus den drei Bausteinen wird eine Aufstellregel, und sie ist kürzer als ihre Begründung: freie Sicht vom Gerät in den Bereich, in dem gesprochen wird; Abstand zu harten Rückwänden und Nischen; Abstand zu dauerhaften Störquellen wie Dunstabzug, Kühlgerät, Lüftungsauslass und offenem Fenster zur Straße; und Abstand zu Lautsprechern, die das Gerät nicht selbst ansteuert. Diese Punkte fallen mit der Elektroplanung, weil Steckdose und Stellfläche dann schon feststehen.

Wo es im Alltag zuverlässig scheitert

Drei Lagen kippen die Erkennung, und sie kommen alle drei in jedem Wohnzimmer vor. Alle drei sind die Kehrseite des Verfahrens und lassen sich mit einem besseren Gerät abmildern, aber nicht abstellen.

Musik aus einer fremden Quelle. Solange der Assistent selbst spielt, kennt er sein Ausgangssignal und rechnet es heraus. Läuft die Musik über die eigentliche Anlage — Verstärker, Aktivlautsprecher, eine andere Zone —, ist sie für ihn Fremdgeräusch mit demselben Frequenzumfang wie Sprache. Genau in dieser Lage steht der Assistent im gut ausgebauten Haus regelmäßig, und sie ist der häufigste Grund für den Satz „der hört mich nie". Wer Sprachbedienung fest einplant, hält den Assistenten deshalb im selben Wiedergabeweg wie die Musik, damit die Echokompensation ihren Job machen kann.

Dauergeräusch mit Sprachanteil. Dunstabzugshaube, Spülmaschine im Klarspülgang, Föhn, offenes Fenster an einer befahrenen Straße. Der Störabstand fällt mit der Entfernung ohnehin, und diese Quellen sitzen in der Küche typischerweise näher am Gerät als der Sprecher. Die Prüfbedingungen der Anbieter kennen diesen Fall ausdrücklich — geprüft wird in Stille, während eigener Wiedergabe und bei Störgeräusch aus anderer Quelle. Bestanden heißt dabei: ausreichend oft erkannt, mit einer Fehlerquote, die der Anbieter festlegt und nicht veröffentlicht.

Mehrere Personen, die gleichzeitig sprechen. Das ist der schwerste Fall, und die Fachliteratur führt die Quellentrennung als eigenen Verarbeitungsschritt neben Enthallung und Richtwirkung. Bei zwei gleichzeitig sprechenden Menschen im selben Winkelbereich hilft die Richtwirkung nicht weiter, weil sie nach Richtung trennt und nicht nach Stimme. Praktisch heißt das: Auf einer Feier funktioniert der Assistent nicht — also genau dann, wenn jemand die Musik lauter drehen möchte, ohne aufzustehen.

Ein vierter Fall gehört dazu, obwohl er nichts mit Akustik zu tun hat: alles, was eine Auswahl verlangt. „Spiel den Film von gestern Abend weiter" hat keine Sprachform, die ohne Rückfrage auskommt, und eine Rückfrage kostet mehr Zeit als ein Blick auf ein Display. Sprache ist schnell bei einem Befehl mit einem eindeutigen Ziel und langsam bei allem, was eine Liste ist.

Was ein Assistent tatsächlich steuern kann

Hier steht bewusst keine Tabelle mit Fähigkeiten je Anbieter, und das hat einen Grund, der zur Sache gehört: Der Funktionsumfang ändert sich mit App-Ständen, Firmware und Vertragslagen zwischen den Beteiligten, teilweise innerhalb weniger Monate und ohne Ankündigung. Eine Liste, die heute stimmt, ist in einem Jahr eine falsche Auskunft mit dem Anschein von Genauigkeit — und die Plattformseiten im eigenen Bereich belegen diese Fähigkeiten heute ebenfalls nicht. Belegbar sind stattdessen drei Prüffragen, die vor der Beauftragung beantwortet werden können und deren Antworten haltbar sind:

Läuft der Befehl über die Wolke des Anbieters oder über das Steuerungssystem im Haus? Bei einem angebundenen Steuerungssystem spricht der Assistent oft nur mit dieser einen Instanz, und ab dort arbeitet die Anlage lokal. Bei direkter Anbindung jedes Geräts hängt jedes einzelne an der Verbindung nach außen.
Welche Geräte sind über das Aktivierungswort erreichbar und welche nur in der App? Das ist selten dasselbe. Zonen, Gruppen und Szenen lassen sich bei manchen Plattformen nur in der App anlegen und danach per Sprache aufrufen — das Anlegen bleibt also am Telefon.
Was passiert bei einem Befehl, den das System nicht kennt? Ein stiller Fehlschlag und ein „das kann ich nicht" sind für die Bedienung zwei verschiedene Anlagen.

Wie sich Sprache zu Taster und App verhält

Die drei Bedienwege können jeweils etwas, das die anderen beiden nicht können, und deshalb ersetzt keiner die anderen.

Bedienweg	Stärke	Grenze	Was er im Ausfall braucht
Taster an der Wand	immer am selben Ort, ohne Gerät in der Hand, für jeden bedienbar	wenige feste Funktionen, kein Zustand ablesbar	je nach Anbindung nichts oder nur die Zentrale im Haus
App	zeigt Zustand, erlaubt Auswahl aus Listen, richtet ein	braucht ein entsperrtes Telefon und die Kenntnis, wo was steht	Hausnetz, teils den Anbieterdienst
Sprache	schnell bei einem eindeutigen Befehl, ohne Hände und ohne Blick	keine Anzeige, keine Auswahl, unzuverlässig bei Störgeräusch	Hausnetz und die Wolke des Anbieters

Die dritte Spalte ist die planungsrelevante. Fällt das Internet aus, bleibt die App im Hausnetz je nach Plattform noch brauchbar, während der Assistent verstummt — die Prüfung des Aktivierungsworts auf der Gegenseite findet dann nicht mehr statt. Fällt das Hausnetz aus, bleibt nur, was verdrahtet ist. Deshalb gilt für Sprachbedienung dieselbe Regel wie für jede zentrale Instanz: Der Rückfallweg ist eine Entwurfsentscheidung, keine Nachbesserung. Welche Handlungen ohne Netz funktionieren müssen, ist die erste Frage der Planung und keine Frage der Geräteauswahl — die Begründung dafür steht bei Wann eine Anlage ein Steuerungssystem braucht.

Ein zweiter Unterschied wird oft übersehen: Sprache ist der einzige Bedienweg ohne Berechtigungsstufe. Ein Taster hängt an einem Ort, eine App an einem Konto — das Aktivierungswort hängt an nichts. Ein Anbieter schreibt dazu ausdrücklich, dass jede Person in der Nähe des Geräts es bedienen kann und dass jeder, der das Haus betritt, mit den verbundenen Geräten und Diensten sprechen kann. Für eine Anlage mit gestuftem Zugriff ist das ein Bruch in der Kette, und er gehört bewusst entschieden; Wer darf eine fertige Steuerung später ändern? behandelt die Stufen selbst.

Das Mikrofon im Wohnzimmer ist eine Entscheidung

Ein dauerhaft eingeschaltetes Mikrofon in einem privaten Raum ist keine Selbstverständlichkeit, und es gehört auf den Tisch, bevor jemand ein Gerät aussucht. Die sachliche Grundlage steht oben: Bis zum Aktivierungswort bleibt das Gehörte im Gerät, danach geht es hinaus, und Fehlauslösungen sind Teil des Verfahrens. Wer diese drei Sätze verstanden hat, kann entscheiden. Wer nur „das hört ja immer mit" oder „das ist alles lokal" gehört hat, kann es nicht.

Drei Punkte machen die Entscheidung praktisch handhabbar.

Der Schalter am Gerät. Die Geräte haben eine Mikrofonabschaltung, und bei einem Modell mit Kamera ist der Schalter für beides an der Rückseite angebracht; ist er aus, sind Aufnahme und Übertragung abgeschaltet, und eine eigene Anzeige zeigt diesen Zustand. Ob dieser Schalter die Mikrofone elektrisch trennt oder softwareseitig stummschaltet, geht aus der Gerätedokumentation nicht hervor — und das ist die Frage, deren Antwort den Unterschied macht.

Die Anzeige. Solange das Mikrofon eingeschaltet ist und überträgt, bleibt eine deutliche optische Anzeige am Gerät sichtbar. Das ist der einzige Weg, an dem ein Anwesender ohne Fachwissen ablesen kann, was gerade passiert — und es ist ein Grund, das Gerät sichtbar aufzustellen statt hinter einer Blende. Eine Aufstellung, die die Anzeige verdeckt, nimmt allen im Raum die einzige Rückmeldung.

Wer sonst noch im Raum ist. Der Haushalt entscheidet für sich. Gäste, Handwerker, eine Reinigungskraft, Kinder von Freunden und in gemischt genutzten Objekten auch Beschäftigte entscheiden nicht mit, und sie sehen das Gerät meist nicht einmal als Mikrofon.

Häufige Missverständnisse

„Das Gerät nimmt alles auf und schickt es weg." Bis zum Aktivierungswort bleiben die kurzen Abschnitte im Gerät und werden verworfen — das steht so in den Datenschutzhinweisen der Anbieter. Was an diesem Satz stimmt: Das Mikrofon ist eingeschaltet, die Erkennung läuft dauerhaft, und bei jeder Fehlauslösung geht danach etwas hinaus, das niemand senden wollte. Die Sorge zielt also auf den richtigen Punkt und beschreibt den falschen Mechanismus.

„Alles wird lokal verarbeitet." Für einzelne Modelle und einzelne Befehlsarten stimmt das; ein Anbieter verweist dafür ausdrücklich auf die Einstellungen des Geräts, weil es dort und nur dort steht. Als Aussage über eine Produktkategorie stimmt es nicht.

„Mit Sprache brauche ich keine Taster mehr." Der Assistent verlangt Strom, Netz und die Verbindung nach außen; ein Taster verlangt eine Leitung. Wer die Taster einspart, verlegt die Bedienbarkeit der Anlage auf die Verfügbarkeit eines fremden Dienstes. Welchen telefon- und sprachunabhängigen Bedienweg eine Zone bekommt, ist deshalb eine Frage der Elektroplanung.

„Mehr Assistenten im Raum helfen." Stehen zwei Geräte mit demselben Aktivierungswort im selben Raum, hören beide, und die Systeme entscheiden untereinander, wer antwortet. Das funktioniert meistens und schlägt genau dann fehl, wenn ein Gerät gerade spielt und das andere nicht — dann antwortet das falsche. Ein gut aufgestelltes Gerät je Raum ist der ruhigere Weg als zwei mittelmäßig aufgestellte.

Grenzen und Sonderfälle

Sprachverständlichkeit im Raum und Spracherkennung durch ein Gerät sind zwei verschiedene Größen. Beide verschlechtern sich mit Nachhall und Störpegel, aber die Zielwerte und Messverfahren sind es nicht; was für Menschen gilt, steht bei Sprachverständlichkeit. Eine akustisch gut behandelte Raumhülle hilft trotzdem beiden.

Kinoräume sind ein eigener Fall. Dort spielt eine fremde Wiedergabe mit hohem Pegel, die das Gerät nicht kennt, und die Raumgeometrie ist auf Absorption ausgelegt. Sprachbedienung während der Wiedergabe ist dort unzuverlässig; als Weg zum Starten und Beenden einer Szene vor und nach dem Film kann sie sinnvoll sein.

Sicherheitsrelevante Funktionen gehören nicht an einen Sprachbefehl. Zutritt, Alarm und alles mit Personenschutzbezug haben eigene Anforderungen, die diese Seite nicht behandelt. Der Grund liegt schon in der Tabelle oben: Ein Bedienweg ohne Berechtigungsstufe ist für diese Gewerke der falsche.

Der Bedienweg altert mit dem Dienst dahinter. Assistenten sind an Konten, Verträge und Anbieterentscheidungen gebunden, und die überleben eine Anlage nicht zwangsläufig. Was daraus für die Planung folgt, steht bei Wie lange lebt eine Steuerung?.

In der Planung

Ein Neubau: offener Wohn- und Kochbereich, Musik in vier Zonen, Licht und Beschattung auf einem Steuerungssystem. Die Bauherrin hat einen Assistenten aus der Mietwohnung mitgebracht und möchte „alles per Sprache machen".

Die Konzeptfrage kommt vor jedem Gerät und lautet: Welche Bedienhandlungen soll es in diesem Raum geben, und welche davon müssen auch dann funktionieren, wenn das Internet weg ist? Erfahrungsgemäß bleiben nach dieser Frage zwei bis vier Handlungen je Raum übrig, und davon gehört die Hälfte auf einen Taster. Der Rest ist der ehrliche Anwendungsbereich für Sprache.

Die Verfahrensfrage folgt daraus: Spricht der Assistent mit dem Steuerungssystem oder mit jedem Gerät einzeln? Die erste Variante hält die Anlage auch dann bedienbar, wenn nur der Sprachweg ausfällt, und sie hält die Benennungen an einer Stelle. Die zweite ist schneller eingerichtet und verteilt die Abhängigkeit auf jedes einzelne Gerät.

Erst danach kommt die Geräte- und Aufstellfrage, und sie hat drei Teile, die vor dem Estrich beantwortet sein wollen: Wo steht das Gerät, mit freier Sicht in den Raum und sichtbarer Anzeige? Liegt dort eine Steckdose, die nicht mit der Raumbeleuchtung geschaltet wird? Und läuft die Musik in diesem Raum über den Assistenten selbst — dann kann er sie herausrechnen — oder über die Anlage, dann eben nicht. Der Küchenbereich bekommt zusätzlich den Abstand zur Dunstabzugshaube.

Für den Wunsch „alles per Sprache" ist die ehrliche Antwort an die Bauherrin zweiteilig. Klar, das meiste geht — aber die Handvoll Handlungen, die täglich vorkommen und immer klappen müssen, bekommt zusätzlich einen Taster, weil ein Bedienweg, der an drei fremde Voraussetzungen gebunden ist, im Alltag der zweite sein sollte.

Verknüpfte Inhalte

Ob eine Anlage überhaupt eine eigene Steuerungsinstanz braucht und was die Bordmittel schon können, klärt Wann eine Anlage ein Steuerungssystem braucht; wer eine fertige Steuerung später ändern darf und wie Berechtigungen gestuft werden, steht bei Wer darf eine fertige Steuerung später ändern?, und die Lebensdauer der Dienste dahinter behandelt Wie lange lebt eine Steuerung?. Weil jeder Sprachbefehl über das Hausnetz läuft, sind Heimnetzwerk-Grundlagen die Voraussetzung dieser Seite; welche Funkwelten die angesprochenen Geräte benutzen, ordnen die Funkstandards im Smart Home und der Eintrag zu Matter. Was ein aufgerufener Zustand ist, steht bei Szene, Aktivität, Makro, die Raumeinheit dahinter bei Zone. Die beiden anderen Bedienwege und ihre Geräte behandeln Universalfernbedienung und Anwesenheitserkennung. Wo es um verständliche Sprache aus Lautsprechern statt um Sprache als Befehl geht, sind Sprachwiedergabe im Haus und Sprachverständlichkeit die richtigen Seiten.

Quellen

Der Ablauf im Bereitschaftsbetrieb — kurze Audioabschnitte im Gerät, Verwerfen ohne erkannte Aktivierung, Übertragung erst danach — und die ausdrückliche Nennung von Fehlauslösungen stammen aus den Datenschutzhinweisen eines Anbieters für seine Lautsprecher und Displays; dass Audio nur bei erkannter Interaktion übertragen wird und dass es dabei eine deutliche optische Anzeige gibt, steht in dessen Sicherheits- und Datenschutzzusagen. Dass jede Person in der Nähe des Geräts es bedienen kann und dass das auch für Personen gilt, die das Haus betreten, steht in denselben Unterlagen. Der körperliche Schalter für Mikrofon und Kamera samt eigener Anzeige ist an der Gerätedokumentation eines Modells mit Kamera belegt. Dass die Aufnahme an die Server des Anbieters geht, sofern die Geräteeinstellungen nicht die Verarbeitung auf dem Gerät ausweisen, stammt aus den Datenschutzangaben eines zweiten Anbieters mit Stand 11. Februar 2026.

Die Anforderungen an die Aufnahmeseite — Echokompensation gegen die eigene Wiedergabe, mindestens zwei Mikrofone für den Störabstand, Richtwirkung über ein Mikrofon-Array — sowie die Prüfbedingungen in Stille, während eigener Wiedergabe und bei Störgeräusch aus anderer Quelle stammen aus den Hinweisen eines Anbieters für Gerätebauer vom 16. August 2023. Dass aus der Entfernung aufgenommene Sprache eine eigene Verarbeitungskette aus Enthallung, Quellentrennung und akustischer Richtwirkung verlangt, belegt ein Übersichtsaufsatz in den Proceedings of the IEEE vom September 2020.