Diktieren in Gemini

Kann man bereits mit Gemini sprechen?

Ja. Gemini hat Spracheingabe eingebaut. In der Gemini-App auf deinem Telefon tippst du auf das Mikrofon und sprichst deine Frage; auf einem unterstützten Gerät kannst du sogar freihändig beginnen. Im Web auf gemini.google.com gibt es ebenfalls ein Mikrofon im Promptbereich. Wenn also dein Ziel ist «Gemini etwas laut fragen und eine Antwort bekommen», brauchst du nichts weiter. Die Funktion ist im Produkt enthalten.

Das möchte ich gleich zu Beginn klarstellen, denn viele Artikel für dieses Suchwort überspringen es und versuchen sofort, dir etwas zu verkaufen. Geminis eigene Spracheingabe ist für kurze, gesprochene Fragen wirklich gut. «Wie ist das Wetter in München», «200 Gramm in Tassen umrechnen», «diesen Artikel zusammenfassen» — sprechen, hören, fertig. Wenn das alles ist, was du tust, ist das ein kurzer Artikel: Benutze das Mikrofon, das bereits dort ist.

Die Lücke zeigt sich in dem Moment, in dem dein Prompt länger oder durchdachter wird, und in dem Moment, in dem du dieselbe Gewohnheit irgendwo außerhalb von Gemini verwenden möchtest. Das ist der Rest dieses Artikels.

Warum den Prompt eintippen statt einfach zu sprechen

Wenn du direkt in das Mikrofon eines Chatbots sprichst, gehen deine Worte hinein und die Antwort kommt heraus — aber du siehst den Prompt nie zuerst als bearbeitbaren Text. Bei einer einzeiligen Frage ist das in Ordnung. Bei einem sorgfältigen Prompt nicht. Du hast «fasse das in einem förmlichen Ton zusammen» gesagt, das Mikrofon hat «fasse das in einem förmlichen Ton zusamm» gehört, und jetzt macht das Modell etwas leicht Falsches und du nimmst alles noch einmal auf. Den Prompt zuerst ins Feld einzutippen bedeutet, dass du ihn liest, bevor er ausgeführt wird.

Der andere Grund ist, dass die Gewohnheit übertragbar ist. Ein Kurzbefehl, der deine Sprache in ein Textfeld tippt, kümmert sich nicht darum, welches Feld es ist. Gemini heute, ChatGPT morgen, ein Claude-Prompt übermorgen, eine Slack-Nachricht, eine Commit-Beschreibung, eine E-Mail an den Lehrer deines Kindes. Eine Muskelgedächtnis, jede App. Geminis Mikrofon funktioniert nur innerhalb von Gemini — genau das, was man erwarten würde, aber es bedeutet, dass ein zweites Werkzeug, das überall funktioniert, nicht redundant ist — es hat eine andere Form.

Der schnellste Weg: ein systemweiter Kurzbefehl

Hier verändert eine dedizierte App alles. Whisper by Remskill ist kein Gemini-Plugin, keine Chrome-Erweiterung und keine Google-Integration. Es ist eine Desktop-App, die sich wie deine Tastatur verhält: drücke einen Kurzbefehl, sprich, und die Transkription wird an deinem Cursor eingefügt — in jeder App, einschließlich des Gemini-Promptfelds. Es funktioniert gleich im Browser und auf dem Desktop, weil dein Computer aus seiner Sicht einfach tippt.

Die Einrichtung ist kurz:

Das ist die ganze Schleife. Die Transkription erscheint im Feld, du liest sie, korrigierst Fehler, sendest.

Einen Prompt direkt in Gemini diktieren

Wenn es läuft, ist die Erfahrung auf die beste Art unspektakulär. Du setzt deinen Cursor in Geminis Promptfeld, hältst die Taste gedrückt, sprichst deinen Prompt, lässt los. Eine Sekunde später sitzt der Text dort, als hättest du ihn eingegeben. Jetzt machst du das, was das Live-Mikrofon nicht erlaubt: du liest ihn. Lange Prompts — die drei Absätze Hintergrund plus die eigentliche Frage — sind viel einfacher richtig zu bekommen, wenn du sie sehen kannst, bevor sie ausgeführt werden.

Da die lokale Transkription auf deinem Rechner läuft (reines Rust, kein Python-Sidecar, kein Server in der Schleife), funktioniert sie offline, und das Audio von dem, was du diktierst, verlässt deinen Laptop nie. Du tippst den Prompt mit deiner Stimme und sendest ihn dann selbst an Gemini — der Diktierschritt und der KI-Schritt sind getrennt, was der ganze Grund dafür ist, dass du dazwischen bearbeiten kannst.

KI-Bereinigung entfernt die «Ähs»

Gesprochene Sprache ist unordentlich. Du sagst «äh», du beginnst Sätze neu, du verlierst dich in einem Geräusch, das «du weißt, was ich meine» bedeutet. Whisper hat einen optionalen KI-Verbesserungsschritt, der Füllwörter beschneidet und die Formulierung vor dem Einfügen aufräumt. So wird aus «äh, kannst du, kannst du mir so eine, eine kurze E-Mail schreiben, die das ablehnt» «Kannst du mir eine kurze E-Mail schreiben, die das ablehnt». Ein saubererer Prompt neigt dazu, eine sauberere Antwort zu erhalten, weshalb dies beim KI-Prompting eigentlich wichtiger ist als bei einfachen Notizen.

Diese Bereinigung läuft lokal über Ollama, kostenlos, auf deinem eigenen Rechner. Pro-Nutzer können sie stattdessen über die Cloud leiten, aber der Füllwort-Bereinigungsvorteil braucht kein Pro; er ist in der kostenlosen lokalen Pipeline enthalten. Du kannst ihn auch ausschalten und die rohe Transkription einfügen, was in Ordnung ist, wenn du den Prompt sowieso lesen und bearbeiten wirst.

Derselbe Kurzbefehl funktioniert in ChatGPT, Claude, überall

Das ist der Teil, der das separate Werkzeug lohnenswert macht. Der Kurzbefehl weiß nicht, was Gemini ist. Er fügt Text überall dort ein, wo dein Cursor steht, sodass die genaue Gewohnheit, die du gerade gelernt hast, in ChatGPT, in Claude, in Perplexity, in einem Google Doc, in deinem E-Mail-Programm, im Kommentarfeld eines Pull Requests funktioniert. Du lernst einen Handgriff und hörst auf, darüber nachzudenken, welche KI du heute promptest. Geminis eingebautes Mikrofon hilft von Entwurf nur innerhalb von Gemini.

Ich wechsle in einer normalen Woche je nach Tätigkeit zwischen drei oder vier KI-Tools. Was ich nicht wollte, war ein anderer Sprachknopf in jedem davon, jeder verhält sich leicht anders. Ein Kurzbefehl, der in alle tippt, bedeutet weniger zu merken, und er funktioniert weiter, wenn eines davon ein Redesign ausliefert.

Wie die vollständige Whisper-App aussieht

Der Kurzbefehl ist der Teil, den du am meisten verwenden wirst, aber dahinter gibt es eine Einstellungsoberfläche. Du wählst deine Transkriptions-Engine: Whisper-Modelle, deren mehrsprachige Varianten 99 Sprachen abdecken und die englischsprachigen .en-Builds genau eine, oder NVIDIAs Parakeet, etwa 600 MB, 5 bis 10 Mal schneller als Whisper auf der CPU, für Englisch plus 24 europäische Sprachen. Du setzt deinen Kurzbefehl, verwaltest den Verlauf und speicherst Voreinstellungen. Nichts davon ist erforderlich, um einen Prompt in Gemini zu diktieren. Es ist da, wenn du feinjustieren möchtest.

Wann Geminis eigenes Mikrofon ausreicht

Wenn du Gemini nur kurze gesprochene Fragen stellen möchtest, lass die separate App ganz weg. Gemini öffnen, auf das Mikrofon tippen oder klicken, sprechen. Es ist eingebaut, es ist kostenlos, und bei einer einzeiligen Frage gibt es nichts zu gewinnen mit einem zweiten Werkzeug — du würdest einen Schritt hinzufügen, keinen entfernen. Dasselbe gilt für die Sprachfunktionen in den anderen großen Chatbots, wenn du nur in dieser einen App arbeitest.

Ein dedizierter Kurzbefehl setzt sich an drei Stellen durch: lange Prompts, die du vor dem Senden lesen möchtest, die Füllwort-Bereinigung und die Verwendung derselben Diktiergewohnheit in jeder App statt nur in Gemini. Je mehr deine Prompts wie echtes Schreiben aussehen — Kontext, Anweisungen, eine Frage — und je mehr Tools du wechselst, desto mehr zählt das.

Wähle das kleinste Werkzeug, das dein Problem löst. Für eine gesprochene Frage ist das das Mikrofon, das bereits in Gemini ist. Für lange Prompts, die du über Gemini und ChatGPT und eine halbfertige E-Mail diktierst, hört der systemweite Kurzbefehl auf, sich um den zweiten Absatz herum wie Overkill anzufühlen, den du nicht eintippen musstest.

Was Whisper kostet

Die lokale Diktierpipeline — Transkription und KI-Bereinigung über Ollama — ist für jeden angemeldeten Nutzer kostenlos, ohne Karte bei der Anmeldung. Das Diktieren von Prompts in Gemini mit Whisper kostet also nichts. Whisper Pro fügt die Cloud-Funktionen hinzu (OpenAI-Transkription, Cloud-KI-Verbesserung, Sprachwebsuche) und bringt eine separate Testphase mit. Die genauen Zahlen findest du auf der Preisseite, nicht hier, weil sich Preise ändern und ein Blogbeitrag ein schlechter Ort ist, um sie aktuell zu halten.

Gemini kann dich bereits hören, und bei einer schnellen Frage ist das das Ende der Geschichte — benutze das Mikrofon, das dort ist. Der Grund, den Prompt stattdessen ins Feld zu diktieren, ist der Teil, den das Mikrofon nicht kann: du kannst ihn lesen, bevor er ausgeführt wird, und du kannst es in jeder anderen App genauso machen. Zwei Werkzeuge, zwei Aufgaben. Meistens reicht das kleinere.