Speech-to-Text-Apps: welche wählen

Eine Speech-to-Text-App in einem Satz: du sprichst, sie tippt

Hier ist die ganze Mechanik, befreit vom Marketing. Du drückst eine Taste. Du sprichst. Die App nimmt deine Stimme auf, schickt sie durch ein Erkennungsmodell, und die Worte erscheinen als Text. Bei unserer App, Whisper by Remskill, ist die Standardeinstellung Ctrl+Space unter Windows und ein gehaltenes Command+Option unter macOS: drücken, sprechen, loslassen, und das Transkript wird am Cursor eingefügt – in welcher App auch immer du gerade warst.

Genau dieser letzte Teil ist das, was die meisten Leute beim Vergleich von Apps übersehen. Eine Speech-to-Text-App ist nur so nützlich wie der Ort, an dem sie den Text ablegen kann. Dictate von Apple tippt in Mac- und iOS-Apps. Voice typing von Windows öffnet sich mit Win+H und funktioniert in jedem Textfeld auf einem PC. Voice typing in Google Docs funktioniert nur innerhalb von Google Docs, in Chrome. Sie alle transkribieren; sie gehen nicht alle überallhin. Bevor du also Genauigkeitswerte vergleichst, frage dich, wo der Text auftauchen muss.

Wie eine Speech-to-Text-App funktioniert (ASR plus der Aufräum-Durchlauf)

Unter der Haube macht jede Speech-to-Text-App zwei getrennte Dinge, und sie zu vermischen ist genau die Stelle, an der Reviews falsch liegen.

Das erste ist die Transkription: die automatische Spracherkennung verwandelt die Audiowellenform in eine Folge von Wörtern. Das ist der schwierige Teil, und hier zeigt sich die Qualität des Modells. NVIDIAs Parakeet-Modell, das wir als eine der Engine-Optionen mitliefern, erreicht eine durchschnittliche Wortfehlerrate von 6,34 % auf dem Hugging Face Open ASR Leaderboard. Dragon Professional wirbt mit „bis zu 99 % Erkennungsgenauigkeit, schon ab der ersten Nutzung“. Solche Zahlen sind real, aber sie beschreiben sauberes Audio in einem ruhigen Raum. Hintergrundgeräusche und ein billiges Laptop-Mikrofon verschieben sie stärker als jeder Modellwechsel.

Das zweite ist der Aufräum-Durchlauf: aus „schick ihr die datei ähm die zweite version nicht die erste“ wird ein Satz mit Großbuchstaben und Punkt. Bessere Apps lassen hier einen zusätzlichen KI-Schritt laufen, um Zeichensetzung, Groß- und Kleinschreibung und das gelegentliche „ähm“ zu korrigieren. Dieser Aufräumschritt ist auch die Stelle, an der diktierte Befehle interpretiert werden, an der Füllwörter gestrichen werden und an der aus einer Mauer aneinandergereihter Worte etwas wird, das du verschicken würdest. Die Transkription liefert dir die Worte. Der Aufräum-Durchlauf liefert dir Text, den du nicht neu tippen musst.

Was eine gute App von einem Tipp-Simulator unterscheidet

Die meisten Speech-to-Text-Apps schaffen die Grundhürde: sie bekommen die Worte überwiegend richtig hin. Was ein Werkzeug, das du behältst, von einem unterscheidet, das du nach einer Woche wieder deinstallierst, kommt auf ein paar Dinge an, die selten in der Feature-Tabelle stehen.

Latenz, zuerst. Wenn es eine lange Pause zwischen dem Ende deines Satzes und dem Erscheinen des Textes gibt, verlierst du den roten Faden und fängst an, neu zu lesen, statt zu sprechen. Genauigkeit bei deiner Stimme, zweitens – nicht die Demo-Stimme, deine, mit deinem Akzent, in deinem Raum. Sprachabdeckung, drittens, falls du nicht auf Englisch arbeitest. Und Reichweite: kann sie in die eine App tippen, in der du lebst, oder nur in einen Browser-Tab.

Dann gibt es noch das langweilige Thema, das niemand bewirbt: wohin dein Audio geht. Ein eingebautes OS-Tool und eine lokale App behalten die Aufnahme auf deinem Rechner. Eine Cloud-App lädt sie hoch. Bei einer Einkaufsliste – wen kümmert's. Bei einem juristischen Entwurf oder einer Patientennotiz ist es die ganze Entscheidung. Dazu kommen wir noch.

Wie Whisper by Remskill aussieht

Da ich unsere App immer wieder erwähne, hier, was sie ist, damit der Vergleich fair ist. Whisper by Remskill ist eine systemweite Desktop-App – keine Browser-Erweiterung, kein Word-Add-in, kein Meeting-Bot. Du hältst den Hotkey, sprichst, lässt los, und das Transkript landet an deinem Cursor in jeder App oder jedem Textfeld.

Für die Transkription wählst du einen von drei Wegen. Local Whisper läuft mit acht Modellgrößen, von Base (~140 MB) bis zum mehrsprachigen Large v3 (~3 GB), unterstützt 99 Sprachen in den mehrsprachigen Varianten und kann ins Englische übersetzen. Local Parakeet (~600 MB) ist auf der CPU 5- bis 10-mal schneller als Whisper und deckt Englisch plus 24 europäische Sprachen ab. Der Cloud-Modus ist Bring-your-own-Key OpenAI für Leute, die die neuesten Modelle und Live-Web-Antworten wollen. Die gesamte lokale Transkription läuft in reinem Rust, vollständig auf dem Gerät, und funktioniert offline. Die App wählt nicht für dich. Sie zeigt die drei Wege und du entscheidest nach Geschwindigkeit, Sprachen oder Genauigkeit. Eine vollständige Liste, wie Diktier-Tools im Vergleich abschneiden, findest du in unserem Leitfaden zu Transkriptionssoftware, der dieselben Kompromisse über mehr Tools hinweg durchgeht.

Deciding between the two local engines is the most common question we get, and our Whisper vs Parakeet explainer breaks down speed, language coverage, and accuracy side by side.

Cloud vs. lokal: wohin deine Stimme geht

Hier ist das Thema, zu dem ich eine klare Meinung habe. Reine Cloud-Speech-to-Text ist ein Datenschutzproblem, über das die meisten Leute erst nachdenken, wenn es zu spät ist. Die Gehaltstabelle deines Chefs, die E-Mail an die Schule deines Kindes, der Entwurf eines Vertrags – nichts davon sollte in den Logs eines Anbieters liegen, nur weil du mit deiner Stimme tippen wolltest.

Ich habe einmal beobachtet, wie ein Team in einer Firma, mit der ich gearbeitet habe, in einem einzigen Quartal eine fünfstellige Cloud-KI-Rechnung anhäufte, weil eine „intelligente Wiederholungs“-Schleife dieselben Standup-Aufnahmen viermal neu transkribierte. Der CFO öffnete beim Quartalsreview das Dashboard, und der Raum wurde still. Die Kosten waren die Schlagzeile. Das leisere Problem war, dass jedes aufgezeichnete Meeting an eine Drittanbieter-API geschickt worden war, um das herauszufinden.

Local-first löst beides. Unsere lokale Pipeline sendet dein Audio nie irgendwohin; der Cloud-Modus ist die Opt-in-Ausnahme, und es ist dein eigener OpenAI-Schlüssel, nicht unserer. Wispr Flow, der nächste direkte Konkurrent, ist reine Cloud. Audio verlässt das Gerät prinzipbedingt. Kein Ansatz ist falsch. Aber wenn deine Arbeit irgendetwas berührt, das du zögern würdest zu mailen, dann lass es auf deinem eigenen Rechner laufen.

Rohe Worte rein, sauberer Text raus: der KI-Aufräumschritt

Der Aufräum-Durchlauf verdient eine eigene Erwähnung, weil er der Unterschied zwischen Transkription und brauchbarem Text ist. Die Erkennung gibt dir die Worte in der richtigen Reihenfolge. Sie gibt dir nicht immer einen Satz.

Im lokalen Modus lässt unsere App das optionale Aufräumen über Ollama auf deinem Rechner laufen – Zeichensetzung, Groß-/Kleinschreibung und das Wegschneiden der verbalen Füllwörter, alles ohne Umweg übers Internet. Im Cloud-Modus geht dieselbe Aufgabe über deinen Schlüssel an die Modelle von OpenAI. Der Punkt ist nicht, welches Modell es macht. Der Punkt ist, dass eine Speech-to-Text-App, die diesen Schritt überspringt, dir einen Absatz ohne Kommas und mit einem versprengten „weißt du“ in jeder dritten Zeile reicht, und du verbringst die Zeit, die du gespart hast, mit Aufräumen. Die guten erledigen diese Arbeit, bevor der Text deinen Cursor erreicht. Die einfachen eingebauten Tools tun das meist nicht, was für eine schnelle Notiz in Ordnung und für alles Längere frustrierend ist.

Die anderen Speech-to-Text-Apps, die man kennen sollte

Keine einzelne App gewinnt in jedem Einsatzfall. Hier ist das ehrliche Feld, und für wen jede gedacht ist.

Ende der 1990er ließ ein Verwandter von mir Dragon NaturallySpeaking auf einem Windows-98-Desktop mit 64 MB RAM laufen. Bei der Einrichtung musste man 45 Minuten lang eine Wortliste vorlesen, um es zu „trainieren“, dann funktionierte das Diktieren mit vielleicht 70 % Genauigkeit und vier Sekunden Verzögerung pro Satz. Einen Absatz eines Weihnachtsbriefs zu diktieren dauerte fünfzehn Minuten. Das Headset wurde durch den Raum geworfen; es überlebte, das Experiment nicht. Fünfundzwanzig Jahre später kann ein Siebenjähriger in neunzig Sekunden eine komplette E-Mail diktieren, ohne irgendetwas zu trainieren. Wenn eine Speech-to-Text-App dich immer noch bittet, sie zu „trainieren“, bevor sie funktioniert, dann lebt sie im Jahr 1999.

Wann du dir eine dedizierte App ganz sparen solltest

Hier schicke ich dich anderswohin (ja, der Typ, der die App verkauft). Wenn du nur kurze Notizen diktierst – eine Nachricht, einen Kalendereintrag, eine schnelle Antwort – und auf einem Mac oder iPhone bist, nimm einfach Dictate von Apple. Es ist kostenlos, es ist eingebaut, und für unter hundert Wörter erledigt es die Aufgabe; kein hartes Timeout auf modernem macOS. Auf einem PC macht Win+H dieselbe Aufgabe kostenlos.

And if you land on the install-something side, picking a voice typing app for each device is its own short guide.

Und wenn du nur jemals Meetings aufzeichnest und danach ein durchsuchbares Transkript willst, ist ein dedizierter Meeting-Transkriptor wie Otter die richtige Kategorie. Es verbindet sich mit Zoom und Teams und ist genau für diese Aufgabe gebaut. Eine systemweite Diktier-App fängt etwa an dem Punkt an, sich zu lohnen, an dem du längere Texte schreibst, über viele Apps hinweg, und dir wichtig ist, wohin dein Audio geht.

Kostenlos vs. bezahlt: was dir $0 bringen

Die kostenlosen Optionen sind echt, keine verkrüppelten Testversionen. Dictate von Apple, Voice typing von Windows und Voice typing in Google Docs kosten nichts und bewältigen das alltägliche Diktieren. Bei unserer App ist die gesamte lokale Pipeline – Whisper, Parakeet, KI-Aufräumen auf dem Gerät, Verlauf, Voreinstellungen – für jeden angemeldeten Nutzer kostenlos, ohne dass zum Start eine Karte nötig ist.

Bezahlte Tools verdienen ihr Geld obendrauf: Cloud-Funktionen, mehr Sprachen, Teamverwaltung. Die eigentliche Frage ist also nicht kostenlos versus bezahlt. Sie lautet, ob die kostenlose Stufe, die man dir gibt, jede App erreicht, in der du arbeitest, und dein Audio auf deinem Rechner behält. Wenn sie das tut, hör dort auf. Als meine Frau fragte, warum ich die ganze lokale Pipeline verschenken würde, gab ich ihr eine fünfminütige Antwort; die Kurzfassung ist, dass es mir lieber ist, du startest kostenlos und zahlst nur, wenn du an eine Grenze stößt. Die Preise für die Cloud-Stufe findest du auf unserer Preisseite.

Das Urteil meiner jüngeren Tochter über all das war schlichter als jedes Review. Sie drückte einmal die Taste, sagte einen Satz über einen Zahn, den sie verloren hatte, sah ihn erscheinen und ging wortlos zurück zum Malen. Kein Genauigkeitsdiagramm, keine Feature-Tabelle, nur Text dort, wo sie ihn haben wollte. Das ist der einzige Test, auf den es je ankam: tauchten die Worte dort auf, wo du sie brauchtest, und musstest du darüber nachdenken. Wenn die Antwort ja und nein lautet, hast du die richtige App gewählt.