Offline-Spracherkennung, erklärt

Was eine Offline-Desktop-App für Spracherkennung wirklich ist

Eine Desktop-App, kein Browser-Tab. Diese Unterscheidung macht den größten Teil der Arbeit. Ein webbasiertes Diktiertool läuft in deinem Browser und schickt das Audio fast immer an einen Server. Eine echte Offline-App ist native Software, die ein Sprachmodell in den Speicher lädt und es auf deiner CPU oder GPU ausführt – direkt auf dem Rechner.

Das Verhalten ist mit Absicht einfach. Du drückst einen globalen Hotkey aus einer beliebigen Anwendung heraus (deinem E-Mail-Programm, einem Code-Editor, einem Slack-Feld, einem klinischen Notizfeld), und der Text erscheint dort, wo dein Cursor steht – wie eine schnelle Schreibkraft, die für dich einspringt. Kein Kopieren und Einfügen aus einem separaten Fenster. Kein "Lade deine Aufnahme hoch". Es verhält sich wie die Tastatur, denn das ist die einzige Schnittstelle, die jede App ohnehin schon versteht.

Der Standard-Hotkey in Whisper ist Ctrl+Space unter Windows und Linux. Auf dem Mac hältst du Command und Option gleichzeitig gedrückt und lässt eine der beiden Tasten los, um zu stoppen – ein Push-to-Talk-Griff, kein Umschalter. Du kannst ihn neu belegen; das Erste, was viele tun, ist, ihn von dem wegzulegen, was mit ihrer Zeichen- oder Musiksoftware kollidiert. In einer frühen Version hatte ich diesen Hotkey fest verdrahtet und um 2 Uhr nachts eine E-Mail dazu bekommen – aber das ist eine Geschichte für die FAQ.

Die ehrliche Antwort auf das "Wie" ist wenig glamourös: Es gibt keine Magie, nur eine Modelldatei auf deiner Festplatte. Wenn du eine lokale App installierst, lädst du ein Sprachmodell herunter – ein paar hundert Megabyte bis ein paar Gigabyte trainierter Gewichte. Von da an ist Transkription eine Rechenoperation, die das Modell auf deinem Audio ausführt. Das Audio wird nie zu einer Netzwerkanfrage. Whisper by Remskill wickelt seine gesamte lokale Transkription über eine reine Rust-Bibliothek namens transcribe-rs ab, ohne Python-Beiwerk und ohne separate Laufzeitumgebung, die am Leben gehalten werden muss. Was du spürst, ist die App, die schnell startet, und der Audiopfad, der kurz bleibt.

Taste drücken, sprechen, Text bekommen – der Offline-Ablauf

Hier ist der komplette Ablauf. Du hältst den Hotkey gedrückt. Ein kleines Overlay zeigt dir, dass es zuhört. Du sprichst – einen Satz, einen Absatz, eine 600-Wörter-Zusammenfassung einer Vorlesung. Du lässt los. Das Modell transkribiert, was du gesagt hast, und der Text landet an deiner Cursorposition, nicht in einer Datei, die du dann erst suchen musst. Das ist der praktische Unterschied zwischen einer Diktier-App und einem Datei-Transkriptionstool: Eine Diktier-App fügt den Text live ein, in dem Moment, in dem du aufhörst zu sprechen.

Nichts davon braucht ein Netzwerk. Das Mikrofon speist Audio in das lokale Modell, das Modell erzeugt Text, und die App tippt ihn für dich. Die Aufnahme läuft nach dem Loslassen der Taste noch einen kurzen Moment weiter, damit das letzte Wort nicht abgeschnitten wird – eine Kleinigkeit, für die ich länger gebraucht habe, als ich gern zugeben würde.

Für alltägliche E-Mails und Notizen dauert die Runde vom Loslassen der Taste bis zum eingefügten Text mit einem Small-Modell auf einem aktuellen Laptop ein, zwei Sekunden – schnell genug, um im Satz zu bleiben, den du gerade gedacht hast. Es gibt optional auch noch einen zweiten Schritt: Whisper kann einen KI-Nachbearbeitungsdurchlauf machen (Zeichensetzung korrigieren, eine Liste formatieren oder eine Frage beantworten, die du gestellt hast), und im lokalen Modus läuft dieser Durchlauf auf dem Gerät über eine lokale Engine namens Ollama. So kann sogar der Schritt "lass das weniger nach gesprochenem Gerede klingen" komplett offline bleiben. Du löst ihn aus, indem du deinen Satz mit "Hey whisper" beginnst. Ignorierst du ihn, bekommst du eine saubere wortgetreue Transkription. So oder so verlässt nichts, was du sagst, den Rechner, es sei denn, du legst den optionalen Cloud-Schalter um.

Parakeet oder lokales Whisper: Welche Engine läuft offline am besten

Zwei lokale Engines sind in der App enthalten, und sie sind in unterschiedlichen Dingen gut. Das ist die eine echte Entscheidung, die du treffen musst.

Parakeet ist NVIDIAs TDT-Modell, rund 600 MB groß, und es ist das schnelle – 5- bis 10-mal schneller als Whisper auf einer CPU. Es beherrscht Englisch plus 24 europäische Sprachen, insgesamt 25. Es übersetzt nicht ins Englische und hat keine Steuerung für eigenes Vokabular. Wenn du überwiegend Englisch sprichst und Tempo willst, ist das deine Wahl.

Whisper ist das mehrsprachige Arbeitspferd. Seine mehrsprachigen Modelle unterstützen 99 Sprachen mit automatischer Erkennung und können jede davon ins Englische übersetzen. Es ist auf derselben Hardware langsamer als Parakeet, aber es gibt dir Chinesisch, Japanisch, Koreanisch, eigenes Vokabular und feinere Kontrolle. Eines sollte man auseinanderhalten: Die rein englischen Whisper-Modelle (die mit .en gekennzeichneten) sind allein auf Englisch festgelegt und lassen die Unterstützung für 99 Sprachen komplett aus. "Whisper kann 99 Sprachen" stimmt also nur für die mehrsprachigen Varianten.

Faustregel: Englisch und in Eile, nimm Parakeet. Alles Mehrsprachige, alles, was übersetzt werden muss, nimm ein mehrsprachiges Whisper-Modell.

Das richtige lokale Modell für deine Hardware wählen

Ein lokales Modell wird in den RAM geladen, deine Hardware setzt also die Obergrenze. Die gute Nachricht für die meisten: Die kleineren Modelle reichen völlig.

Auf der englischen Seite reichen die Modelle von Base mit etwa 140 MB über Small mit etwa 480 MB bis Medium mit etwa 1,5 GB. Auf der mehrsprachigen Seite geht es von Small mit 480 MB bis Large v3 mit etwa 3 GB. Das mehrsprachige Small-Modell ist das, womit neue Nutzer anfangen, und es ist eine sinnvolle Standardwahl: Es passt überall hin und ist für alltägliches Diktieren genau genug.

Die langweilige Wahrheit über Hardware ist, dass das Mikrofon mehr ausmacht als das Modell. Ein USB-Mikrofon für 20 Dollar bringt mehr für die Genauigkeit als zwei Modellgrößen höher zu springen. Ich habe ein Wochenende lang geglaubt, ein Modell-Upgrade würde meine matschigen Transkripte beheben; in Wahrheit hatte das Laptop-Mikrofon die ganze Zeit die Spülmaschine mit aufgenommen. Wenn du einen älteren Laptop mit 8 GB RAM hast, nimm Parakeet oder ein Small-Modell und steck das Upgrade-Geld ins Mikrofon. Wenn du einen aktuellen Apple-Silicon-Mac oder einen 16-GB-Windows-Rechner mit dedizierter GPU hast, läuft jedes Modell bequem, auch Large v3. Du brauchst keine GPU, um loszulegen: Parakeet auf einer CPU ist der schnelle Weg, denn genau dafür wurde es gebaut.

Warum Offline bei sensiblem Audio die Cloud schlägt

Reines Cloud-Diktieren ist eine Datenschutzkatastrophe, die nur darauf wartet, transkribiert zu werden. Ich sage das als klare Meinung und untermauere es dann auch, denn um Datenschutz herumzureden ist billig.

Ein Team, mit dem ich einmal gearbeitet habe, ließ einen Auftragnehmer einen internen "KI-Diktier"-Prototyp auf Basis eines Cloud-Modells bauen. Er rief die API für jede Äußerung auf, auf jedem Laptop, mit einem "smarten Retry", der Aufnahmen erneut schickte, wenn er nervös wurde. Am Ende des Quartals öffnete der Manager das Cloud-Kosten-Dashboard und fand eine fünfstellige Rechnung, der Großteil davon von einem Team, das Standup-Aufnahmen vierfach transkribierte. Die Lösung des Auftragnehmers lautete: "Wir sollten den Prompt optimieren." Die Lösung des CFOs lautete: "Oder wir bezahlen nicht für die Cloud-Transkription von Meetings, zu denen es schon Notizen gibt." Zwei Probleme in einer Rechnung: die Kosten und die Tatsache, dass jedes Wort dieser Meetings nun in den Logs eines Anbieters lag.

Offline löst beides. Die Gehaltstabelle deines Chefs, die E-Mail an die Schule deines Kindes, der juristische Schriftsatz, den du im Zug ohne Empfang verfasst: Nichts davon sollte deinen Laptop verlassen, nur weil du mit deiner Stimme tippen wolltest. Der Rechner hat bereits ein Mikrofon und einen Prozessor. Für einen Absatz braucht es keinen Server in der Schleife. Offline funktioniert außerdem bei ausgeschaltetem WLAN – was die Cloud per Definition nicht kann.

Wann die Cloud oder ein eingebautes Tool die bessere Wahl ist

Hier ist der Teil, den die Ein-Tool-Seiten überspringen. Eine lokale App ist nicht immer die richtige Antwort.

Zuerst die Frage, die alle ständig stellen: Kann Windows Spracherkennung offline? Beim Standardtool meistens nicht. Die Windows-Spracheingabe, die man mit Win+H öffnet, erfordert laut Microsofts eigener Dokumentation eine Internetverbindung, das Diktieren ist also cloudbasiert. Eine separate Windows-11-Funktion namens Sprachzugriff (Voice Access) funktioniert offline, sobald ihre Sprachdateien installiert sind, aber sie ist dafür gebaut, den PC per Stimme zu steuern, nicht für schnelles Langform-Diktieren. Auf dem Mac kann Apples eingebaute Diktierfunktion manchen allgemeinen Text auf dem Gerät verarbeiten, aber Apples Formulierung lässt sich ein Hintertürchen offen: Es ist nicht für jede Sprache garantiert, und manches Diktat kann trotzdem an Apples Server gehen. Wenn du also nur ab und zu eine 30-Wörter-Antwort diktierst, sind die eingebauten Tools kostenlos und für kurze Einsätze völlig in Ordnung. Eine dedizierte App verdient sich ihren Platz erst, wenn du echtes Volumen diktierst (E-Mails, Notizen, Dokumente), nicht einzeilige Nachrichten.

Zweitens punktet die Cloud bei manchen Aufgaben. Wenn du die höchstmögliche Genauigkeit bei schwierigem Audio brauchst (starke Akzente, sich überlappende Sprecher, miserable Mikrofonbedingungen), kann ein Cloud-Modell genauer sein als ein lokales, und es kann aktuelle Antworten aus dem Web ziehen, die ein lokales Modell unmöglich kennen kann. Whispers optionaler Cloud-Modus nutzt OpenAI über deinen eigenen API-Schlüssel für genau diese Fälle und listet rund 57 Sprachen. Der Kompromiss ist der ehrliche: Es braucht Internet, und es schickt dein Audio an OpenAI. Wenn deine Arbeit nicht sensibel ist und du die beste Qualität plus Websuche an einem Ort willst, ist die Cloud die bessere Wahl, und ich würde dir raten, sie zu nutzen. Ist dein Audio privat oder deine Verbindung unzuverlässig, bleib lokal.

Wenn du mit einem Cloud-Diktiertool liebäugelst, dein Audio aber auf deinem Rechner bleiben soll, unsere kostenlose Aqua-Voice-Alternative macht den Offline- und Datenschutz-Fall in vollem Umfang stark.

Offline, online oder eingebaut: ein schneller Vergleich

Eine kurze Tabelle, um die Entscheidung zu klären. Die ausführlichere Aufschlüsselung kostenpflichtiger Diktiertools findest du in unserem Ratgeber zu Transkriptionssoftware.

Whisper liefert die ersten drei in einer App: Die lokale Pipeline ist kostenlos, und die Cloud ist das optionale Extra. Wenn du wegen "privat und funktioniert im Flugzeug" hier gelandet bist, sind die ersten beiden Zeilen deine Antwort.

Wenn du eine Sache hieraus mitnimmst

Offline-Spracherkennung ist kein Kompromiss, mit dem man sich abfindet, wenn das WLAN ausfällt. Es ist die Variante, bei der das Audio dir gehört, die Latenz kurz ist und keine vierteljährliche Cloud-Rechnung am Ende lauert. Die Cloud gewinnt nach wie vor beim schwierigsten Audio und bei aktuellen Web-Antworten, und ich verweise dich dorthin, wenn es passt. Für alles andere (die E-Mail, die Notiz, den Schriftsatz im Zug) reicht das Modell auf deiner eigenen Festplatte – und das schon seit einer Weile.