Un videocitofono Home Assistant con AI locale e messaggi VoiceBox

Un appassionato ha presentato nella community di home Assistant un videocitofono fai-da-te basato su ESP32-P4, con telecamera USB, collegamento LAN e riconoscimento facciale eseguito localmente. Il progetto utilizza ESPHome e comprende anche una funzione VoiceBox per riprodurre messaggi registrati con la propria voce e raccogliere quelli dei visitatori quando nessuno risponde. È un esempio di domotica orientata all’elaborazione sul dispositivo, ma le informazioni condivise descrivono un prototipo personale, non un prodotto commerciale né una guida completa alla costruzione.

Un videocitofono Home Assistant con AI locale

Il progetto descritto nella community di Home Assistant combina un ESP32-P4, una telecamera USB, una connessione LAN e un modulo hardware per il riconoscimento dei volti. L’autore racconta di avere costruito il sistema a partire da un progetto intercom collegato a ESPHome, con l’obiettivo di gestire le funzioni del videocitofono nella rete domestica, senza ricorrere al cloud per l’elaborazione dei volti.

Il riferimento software citato nella discussione è esphome-intercom, un progetto che descrive uno stack VoIP per Home Assistant ed ESPHome, con chiamate audio e video SIP, telefoni su dashboard, intercom ESP32 e instradamento delle chiamate attraverso automazioni. La discussione non contiene però una guida completa al montaggio, uno schema elettrico o un elenco verificabile di tutti i componenti impiegati: non sarebbe corretto presentarla come un tutorial pronto da replicare.

L’elemento distintivo è la scelta di svolgere il riconoscimento facciale direttamente sul dispositivo. Nel testo viene menzionato anche HuskyLens in relazione alla parte di visione artificiale. L’autore descrive il proprio risultato, ma non fornisce benchmark, misure di accuratezza o prove comparative indipendenti.

VoiceBox: messaggi vocali per chi arriva alla porta

Accanto alla parte video, il progetto prevede una dashboard personalizzata in Home Assistant e una funzione chiamata VoiceBox. L’autore spiega di poter registrare messaggi personali con la propria voce e raccogliere quelli lasciati dai visitatori quando nessuno risponde al campanello.

È una funzione concreta che distingue il prototipo da una semplice telecamera con rilevamento del movimento: la porta d’ingresso diventa anche un punto di comunicazione vocale, integrato nell’ambiente domotico. La discussione non precisa, tuttavia, il formato dei messaggi, le modalità di conservazione delle registrazioni o il comportamento delle notifiche. Questi aspetti richiederebbero ulteriori dettagli tecnici prima di poter valutare il sistema in un’installazione quotidiana.

Come si colloca rispetto ai videocitofoni commerciali

Nel post compare anche un lungo confronto con prodotti già in commercio, presentato dall’autore come risposta ottenuta interrogando un sistema di intelligenza artificiale. È importante leggere quella sezione per ciò che è: un confronto riportato nella discussione, non una prova di laboratorio né una verifica indipendente delle caratteristiche dei concorrenti.

Tra i dispositivi citati figurano Aqara Smart Video Doorbell G4 e G410 Select, Eufy Video Doorbell E340 Dual, DoorBird D2101V, 2N IP Solo, 2N IP Verso e Reolink Video Doorbell PoE. Il confronto contrappone soluzioni orientate alla connettività wireless e al riconoscimento locale a videocitofoni IP con collegamento cablato, sottolineando che la combinazione di rete LAN e identificazione delle singole persone direttamente sul campanello sarebbe poco comune.

Nella stessa risposta vengono menzionate anche installazioni fai-da-te che affidano l’analisi video a un server domestico, usando Frigate NVR e strumenti come Double Take, DeepStack o CompreFace. Il prototipo descritto dall’autore segue un’impostazione differente: secondo il suo racconto, la parte di riconoscimento è concentrata nell’hardware del videocitofono, anziché richiedere l’analisi continua del flusso su un server separato. Non sono disponibili misure per confrontare consumi, costi o affidabilità delle due architetture.

Un prototipo interessante, ma non ancora una guida replicabile

videocitofono Home Assistant - Il valore della realizzazione sta nell’integrazione di più elementi: videocitofonia, connessione LAN, riconoscimento facciale locale e gestione dei messaggi vocali attraverso Home Assistant. La scelta di mantenere l’elaborazione sul dispositivo è coerente con un approccio alla domotica che limita la dipendenza da servizi esterni.

Per chi volesse costruire qualcosa di simile, il materiale condiviso costituisce soprattutto un punto di partenza progettuale. La discussione non documenta una procedura di installazione completa, né permette di verificare autonomia, precisione del riconoscimento o comportamento in condizioni diverse. Prima di trasformare il prototipo in una soluzione domestica stabile servirebbero informazioni aggiuntive direttamente dall’autore e test pratici sul sistema.