Dans le cadre de mon stage au sein du G2ELab, j’étudie actuellement les assistants vocaux afin de rendre plus interactif et éducatif la gestion de l’énergie. J’évolue sur la plateforme de démonstration Prédis-MHI située au sein du bâtiment GreenER.

Dans cet article, nous allons apprendre à installer l’assistant vocal open source Rhasspy sur une RaspberryPi et à le connecter à Jeedom pour pouvoir gérer sa maison intelligemment. On introduira le sujet sur les assistants vocaux de manière générale et à la suite de l’introduction débute le tutoriel d’installation. Vous pouvez vous rendre directement au tutoriel en cliquant ici.

Introduction

Les assistants vocaux sont des outils, des services informatiques permettant un échange via une communication orale et audio entre des utilisateurs et leurs appareils connectés. L’usage est très utile dans la domotique et l’habitat intelligent qui « La domotique est l’ensemble des techniques de l’électronique, de physique du bâtiment, d’automatisme, de l’informatique et des télécommunications utilisées dans les bâtiments, plus ou moins « interopérables » et permettant de centraliser le contrôle des différents systèmes et sous-systèmes de la maison et de l’entreprise (chauffage, volets roulants, porte de garage, portail d’entrée, prises électriques, etc.). La domotique vise à apporter des solutions techniques pour répondre aux besoins de confort (gestion d’énergie, optimisation de l’éclairage et du chauffage), de sécurité (alarme) et de communication (commandes à distance, signaux visuels ou sonores, etc.) que l’on peut retrouver dans les maisons, les hôtels, les lieux publics, etc. ». [1]

Ces assistants qui ont comme leur nom l’indique pour but d’assister et permettent de faciliter la vie usagers en s’intégrant parfaitement dans l’environnement quotidien. Les assistants vocaux peuvent soit répondre à des questions simples que lui posent l’utilisateur (ex : « Quelle heure est-il ? », « Quelle est la météo à Grenoble ? », etc.) mais ils peuvent également effectuer des tâches et donner des ordres à des appareils électroniques connectés au réseau de l’assistant (ex : allumer une lampe, fermer les volets, jouer de la musique sur une enceinte, etc.).

Un assistant vocal est une interface homme-machine (ou homme-environnement) interactive qui permet d’acquérir un signal (reconnaissance vocale), de le traiter, et d’en renvoyer un autre (action à effectuer, réponse à l’humain via un haut-parleur)

Fonctionnement d’un assistant vocal par étape :

1. L’utilisateur prononce un mot clé et « réveille » l’assistant. Ce mot clé utilise un algorithme interne de reconnaissance de schéma vocaux et ne nécessitent donc pas d’accès à internet. Ensuite un canal d’écoute s’ouvre et le contenu audio est transmis à la volée (stream).
2. Dans bien des cas, si le traitement est réalisé de façon distante, une seconde vérification de la prononciation du mot-clé est faite côté serveur afin de limiter les déclenchements intempestifs.
3. Éventuellement, et s’il a été préalablement enrôlé –c’est-à-dire si un apprentissage de ses caractéristiques vocales a été réalisé à partir d’échantillons de voix qu’il aura produits – le locuteur peut être identifié (speaker identification).
4. L’utilisateur énonce sa requête et celle-ci est transmise aux instances de traitement. Il peut s’agir de serveurs distants, ou dans le cas d’un traitement local, de ressources matérielles embarquées dans l’équipement. La séquence de parole prononcée est alors automatiquement transcrite (speech to text).
5. À l’aide de technologie de traitement automatique du langage naturel (TALN), la parole est interprétée. Les intentions du message sont extraites et les variables d’informations (slots) identifiées.
6. Un gestionnaire de dialogue permet de préciser le scénario d’interaction à mettre en œuvre avec l’utilisateur en apportant le schéma de réponse approprié.
7. Une réponse adaptée à la requête de l’utilisateur est identifiée et le cas échéant, des ressources distantes sont utilisées : base de connaissance publiquement accessibles (encyclopédie en ligne, etc.) ou par authentification (compte bancaire, application musicale, compte client pour achat en ligne, etc.).
8. Les variables d’informations (slots) sont remplies avec les connaissances récupérées.
9. Une phrase de réponse est créée et/ou une action est identifiée (monter les stores, augmenter la température, jouer un morceau de musique, répondre à une question, etc.).
10. Cette phrase est synthétisée (text to speech) et/ou l’action à opérer est envoyée à l’équipement.
11. La réponse et/ou la commande est mise en œuvre par l’équipement embarquant l’assistant vocal.
12. L’assistant vocal repasse en veille.
    
    Un assistant vocal n’est donc pas à proprement parler « intelligent ». Les éléments de connaissance proviennent de sources tierces : données en libre accès (encyclopédies en ligne), bases de données contenant des informations renseignées par l’utilisateur (son agenda, son carnet d’adresse, etc.), etc. [2]

Les assistants vocaux sont pourtant tous différents, ils dépendent tous des algorithmes et des logiciels utilisés pour les faire fonctionner. Chacun de ces programmes peuvent être différents : programme de détection du mot clé, la reconnaissance vocale effectué par des algorithmes de Speech To Text, le traitement des données faites par des algorithmes de Machine Learning appliquées à des base des données, la création de la commande ou action à effectuer, le calcul de la réponse à donner, et la traduction de cette réponse en action et/ou vocal par un Text-To-Speech.

Selon le créateur d’assistant vocaux, tout peut être créée par le créateur/développeur de l’assistant vocal (c’est le cas des GAFAMs) ou alors passer par des programmes déjà existants qui sont Open Source ou alors utilisable grâce à des API.

Comparatif entre les assistants vocaux libres et non-libres

Type d’assistants vocaux	Les Assistants vocaux « non-libres«	Les assistants vocaux « libres »
Descriptif	Les Assistants vocaux « non-libres » les plus utilisés sont les assistants développés par les GAFAM (Google Assistant, Siri de Apple et Cortana d’Amazon -> liste non-exhaustive).	Les assistants vocaux « libres » sont des assistants vocaux qui peuvent être librement exploités ou à minima analysé (transparence du code).
La propriété (Libre ou privées, transparence, base de données)	Les assistants vocaux de cette catégorie-là appartiennent à des grands groupes du numérique (Google, Amazon, Apple, etc.), ils sont leur propriété et donc ne sont pas libre d’utilisation. Ces entreprises-là se veulent transparente sur le fonctionnement de leur assistant mais n’en reste pas néanmoins opaque sur le code source qui n’est pas exploitable ou analysable. De plus, ces grands groupes ont le net avantage de posséder des bases de données gigantesques leur permettant d’obtenir une qualité de produit très importante.	Les assistants vocaux de cette catégorie-là sont libres et permettent au minimum de pouvoir être analysés (sans être modifié). Et la plupart sont des logiciels qui sont totalement modifiables. La transparence est totale. Le problème majoritaire est que ce sont souvent des logiciels développés par des entreprises beaucoup moins influentes que les GAFAM et qui n’ont pas les avantages de posséder des bases de données gigantesques. Beaucoup de ces assistants libres utilisent les API de reconnaissance vocale des grands groupes (comme Google Speech API ou Bing Speech API).
La confidentialité (Exploitation des données, l’écoute, l’anonymat, sécurité des données, etc.)	La confidentialité de ces assistants vocaux est dite privées, que les données récupérées sont sécurisées et protégées, qu’elles ne servent qu’à l’amélioration du logiciel. De plus, les assistants vocaux ne sont pas censés écouter en ligne jusqu’à la détection du mot clé. Cependant, différents scandales ont éclaté accusant les entreprises d’avoir écouté des utilisateurs à leur insu.	La confidentialité de ces assistants dépend beaucoup des programmes utilisés. Beaucoup de ces assistants vocaux sont l’assemblage de plusieurs programmes (STT, TTS, Database) qui selon leur provenance assure une confidentialité des données ou non. Si le programme de reconnaissance vocale est l’API de Google, les données seront récupérées par Google. Beaucoup de programme peuvent fonctionner off-line ce qui présentent un certain avantage mais l’inconvénient d’être bien moins efficace, précis et peu évolutif.
L’accessibilité tarifaire (les assistants sont en tant que tel gratuits mais nécessitent d’avoir des appareils pouvant les exploiter qui eux ont un coût)	Les assistants sont gratuits cependant ils nécessitent l’achat d’une enceinte pour pouvoir leur parler de plus, le nombre d’appareils fonctionnant avec est limité par les protocoles imposés par les entreprises. Ce qui renforce le coût car pour un usage en domestique, l’achat est guidé par la compatibilité.	Les assistants sont gratuits cependant ils nécessitent l’achat d’un appareil pour l’implémenter, beaucoup de ces assistants sont légers et peuvent s’implémenter dans un Raspberry Pi. Pour un usage domestique, il est beaucoup plus simple d’utiliser les composants comme on veut. Que ça soit des produits déjà en vente sur les marchés ou que ça soit de créer ses propres appareils connectés avec capteurs etc.
La facilité d’utilisation (Est-ce que l’assistant est simple à mettre en place, est ce que le compléter par des appareils connectés est simple (kit déjà tout prêt ?)	C’est surement l’avantage premier de ce genre de logiciel non libre, c’est la facilité d’utilisation et de mise en place. Tout est guidé, ces assistants vocaux sont parfaits pour des personnes non-férus d’informatique et d’électronique.	Ces logiciels sont souvent plus durs à mettre en place. Il est nécessaire d’avoir quelques connaissances de base en informatique, électronique/domotique. Les assistants libres les plus célèbres sont relativement simple (ex : MyCroft) mais d’autres comme OpenJarvis sont beaucoup moins accessible au grand public.
Modifiable et modulable (Peuvent-ils être modifiés, modulés, personnalisés ?)	Ces logiciels sont difficilement voire carrément impossibles à modifier et à personnaliser.  Les entreprises ont quand même changé un peu leur politique en dévoilant des API que les développeurs exploitent pour créer leurs propres modules. Cependant, ces modules sont limités par l’API fournie et donc dépendante de la volonté de l’entreprise.	Ces logiciels sont totalement modulable grâce à la transparence dont fait par les créateurs. De plus, cette liberté permet de moduler l’utilisation quasi à volonté.
Protocole d’utilisation (WiFi)	Ces assistants vocaux nécessitent une connexion internet pour fonctionner (mis à part la détection de mots clés.	Ces assistants vocaux fonctionnent pour la plupart à l’aide de connexion internet, mais cela n’est pas systématique. (Rappel : certains programmes de reconnaissance vocale ou autre peut fonctionner off-line). De plus, les capteurs et appareils connectés peuvent utiliser d’autres protocoles de communication (bluetooth, Z-wave, EnOcean).

Comparatif entre les assistants vocaux Open Source (Cliquez sur l’image pour la voir en grand)

Comparatif de différents assistants vocaux Open Source (MyCroft, Jasper, S.A.R.A.H, OpenJarvis, Linto, Rhasspy). Pour voir l’image, cliquez dessus.

Nous avons choisi de travailler sur Rhasspy dans un premier temps car il s’agissait de l’assistant vocal le mieux documenté, le plus accessible avec beaucoup de possibilités de personnalisation, et un plugin pour Jeedom.

4. Configuration de Rhasspy

On peut maintenant configurer l’assistant Vocal Rhasspy en allant dans Settings. Puis pour chaque paramètre vous pouvez configurer comme ceci :

Pour le paramètre Audio Recording, j’ai choisi de passer par le programme de base de linux (arecord) et pour le configurer j’ai choisi Default Audio Device.
Vous pouvez voir ce que vous avez comme entrées audio de disponibles en cliquant sur Refresh. Le bouton Test permet de voir quelles entrées audio sont fonctionnelles en indiquant Working! à leur côté.

(Si vous voulez savoir sur quoi est branché votre micro, dans un temrinal de commande tapez la commande
arecord -l
Et cherchez votre micro. (Dans mon cas, le Microphone est branché sur la carte 1 et c’est le device 0) )

Pour le paramètre Wake Word, vous pouvez choisir votre mot-clé (dans mon cas, j’ai choisi « Jarvis »)

Pour les autres paramètres, mettez les configurations recommandés, puis pour Intent Handling mettez Remote HTTP.
Ensuite sauvegardez, vous allez devoir redémarrer le Rhasspy et téléchargez des données. Laissez vous guider.

Testez votre Rhasspy en allant à la page d’accueil.

On teste d’abord le STT :

• Par exemple, cliquez sur « Wake Up », puis dites « Quelle heure est-il ? » Vous devriez voir ça ——————————>

Puis on teste le Wake Word :

• Dites maintenant votre mot-clé de réveil (dans mon cas « Jarvis »), puis dites « Quelle est la température ». Vous devriez voir ça.

Et en dernier, testez le TTS :

Dans la barre à côte de « Speak« , tapez un texte que vous voulez que Rhasspy lise puis cliquez sur Speak.

Si votre Rhasspy parle alors tout fonctionne.

Voilà, vous avez un assistant vocal fonctionnel.
Votre assistant ne comprend qu’un nombre limité de phrases (vous pouvez les voir dans l’onglet « Sentences »).
Nous verrons dans le chapitre 7. Usages comment augmenter la capacité de compréhension de Rhasspy et comment l’utiliser avec Jeedom.

5. Installation et Configuration de Jeedom

Deux cas de figures s’offrent à vous. Soit vous avez déjà installé un serveur Jeedom et dans ce cas là vous pouvez directement vous rendre au chapitre Liaison et Connexion entre Rhasspy et Jeedom. Soit vous n’avez pas encore installé Jeedom et dans ce cas, vous pouvez continuer à lire la suite.

Vous pouvez retrouver toute la documentation officielle de Jeedom ici. Mais on va résumer l’installation et la configuration ci-dessous :

Installation de Jeedom sur la Raspberry Pi contenant Rhasspy :

Rendez vous sur un terminal de commande de votre Raspberry Pi (comme avant, par SSH ou via un écran et un clavier) puis rentrez cette commande :

wget -O- https://raw.githubusercontent.com/jeedom/core/master/install/install.sh | sudo bash

L’installation prend plusieurs dizaines de minutes.

Une fois l’installation terminée, redémarrez votre carte :

sudo reboot

Voilà, votre serveur Jeedom est fonctionnel.

Configuration de Jeedom

Création d’un compte Jeedom

Si vous n’avez pas un compte Jeedom, il faut vous en créer un ici et puis remplir les champs demandés

Configuration

Pour configurer votre Jeedom, il faut connaître l’adresse IP du serveur qui gère Jeedom. Il peut soit s’agir de votre installation Jeedom déjà faite au préalable, ou alors de la carte Raspberry Pi sur laquelle on vient d’installer Rhasspy et Jeedom. Dans ce cas là, vous connaissez déjà l’adresse IP (Voir procédure du début).

Pour accèder à l’interface Jeedom et pouvoir configurer votre serveur Jeedom, il suffit de taper dans la barre de recherche de votre navigateur web :

http://<AdresseIPduServeurJeedom> (Ex : Dans mon cas, ma Raspberry Pi contient l’assistant vocal Rhasspy et le serveur Jeedom, c’est donc la même adresse IP. Je me connecte à http://192.168.1.13)

Vous devriez arriver à un écran de connexion comme ceci :

Connectez vous en utilisant le nom d’utilisateur et mot de passe par défauts qui sont « admin ».

Lier votre Jeedom à votre compte Market.

• Une fois connecté à votre Jeedom, vous devez aller sur Réglages → Système → Configuration
• Cliquez sur l’onglet Mises à jour
• En dessous, cliquez sur l’onglet Market
• Cochez la case activer
• Remplissez l’adresse : https://market.jeedom.com
• Renseignez également les champs Nom d’utilisateur et Mot de passe en fonction de vos identifants (identifiants du Market et non pas de Jeedom)
• Vous pouvez tester pour vérifier que la connexion s’effectue correctement.
• N’oubliez pas de sauvegarder !

Changer le mot de passe par défaut de Jeedom

Une des étapes importantes est de changer le mot de passe par défaut de votre compte Jeedom, pour cela cliquez sur Réglages → Système → Utilisateurs :

Une fois dessus, vous avez juste à choisir la ligne avec l’utilisateur admin et à cliquer sur Mot de passe :

Une fenêtre va vous demander le mot de passe. Attention à bien le retenir, ou vous ne pourrez plus accéder à votre Jeedom.

Voilà, votre Jeedom est configuré. Vous pouvez en apprendre plus sur Jeedom, et les fonctionnalités de base en cliquant ici.

Maintenant nous allons créer l’action à effectuer lorsque Jeedom reçoit cet Intent.

Allez dans Jeedom (http://<AdresseIPdeJeedom>) -> Outils -> Scénario.

Cliquez sur Ajouter et nommez le scénario (par exemple « ObtenirLHeure ») puis cliquez sur Ok. Vous arrivez sur cette page :

Vous pouvez attribuer un groupe au scénario (cela permet de classifier lorsque vous en avez beaucoup).

Allez dans l’onglet scénario (en haut à gauche).

Vous arrivez ici :

Cliquez sur Ajouter bloc -> Action -> Ajouter .

Dans le Bloc Action, cliquez sur Ajouter -> Action.

Cliquez ensuite sur le bouton à droite de la barre de texte :

Sélectionnez TTS-Rhasspy (TTS-Default) dans Equipement et sélectionnez dynamicSpeak dans Commande Action.

Vous obtenez ça.

Dans la barre de texte message qui est apparu à droite, écrivez :

Il est #hour# heures #minute#

Maintenant, cliquez sur Sauvegardez.

Voilà, l’action à effectuer est prête. Il ne reste plus qu’a lier l’Intent à l’action.
Pour cela, allez dans Plugin -> Communication -> jeeRhasspy (n’oubliez pas d’importer l’assistant à chaque fois que vous ajouter des commandes dans Rhasspy).
Allez dans l’onglet Intentions et cliquez sur l’Intent [GetTime]

Dans scénario, sélectionnez le scénario ObtenirLHeure que l’on vient de créer puis dans Action, sélectionnez Start et enfin sauvegardez.

Et voilà, c’est fini !!

Vous n’avez plus qu’à tester votre commande à l’oral en disant « Jarvis, quelle heure est-il ? »
Si il répond vous avez réussi, si non vérifiez que vous avez bien suivi toutes les étapes.