Spracherkennung unter Windows: gratis oder bezahlt

Drei Wege in einer Minute

Die App wählt das Transkriptionsmodell nicht für dich aus. Du wählst aus drei Wegen. Das ist Absicht.

Cloud (OpenAI, BYOK) — der Pfad mit der höchsten Qualität

Du bringst deinen eigenen OpenAI-API-Schlüssel mit. Die Transkription läuft auf gpt-4o-mini-transcribe (Standard) oder gpt-4o-transcribe. Die KI-Textverbesserung läuft standardmäßig auf gpt-5-mini; gpt-5-nano und gpt-5 sind ebenfalls verfügbar. Die Web-Suche läuft über gpt-4o-mini via Responses API. Du zahlst die Nutzung direkt an OpenAI; wir behalten nichts ein. Wähle diesen Weg, wenn du beste Qualität und Web-Zugriff in einem Werkzeug willst und damit klarkommst, OpenAI minutengenau direkt zu zahlen.

Parakeet (NVIDIA TDT, ~600 MB) — der schnellste lokale Pfad

Parakeet v3 ist 5- bis 10-mal schneller als Whisper auf der CPU. Englisch plus 24 europäische Sprachen. Keine Übersetzung ins Englische. Kein Code-Switching mit asiatischen Schriften. Die Qualität ist gut, nicht Whisper-large-v3-Qualität, aber für alltägliche E-Mails und Dokumentenarbeit mehr als genug. Wähle diesen Weg, wenn du Tempo willst und überwiegend Englisch sprichst.

Lokales Whisper (8 Modelle) — der lokale Pfad mit der meisten Kontrolle

Langsamer als Parakeet auf derselben Hardware. Dafür bekommst du 99 Sprachen in den mehrsprachigen Builds, Übersetzung ins Englische, eigenes Vokabular, Beam-Size-Steuerung und Hotword-Bias. Wähle diesen Weg, wenn du Übersetzung, mehrsprachige Transkription (besonders Chinesisch, Japanisch, Koreanisch, was Parakeet nicht kann) oder feinere Kontrolle pro Aufnahme brauchst.

Alle drei Wege nutzen denselben Hotkey, dasselbe Overlay, dieselben Einstellungen. Der Wechsel ist ein einziger Schalter.

Was Windows dir bereits gibt (Win+H)

Öffne ein beliebiges Textfeld: Word, Outlook, eine Browser-Adressleiste, Notepad, das Eingabefeld in Slack. Drücke Windows + H. Eine kleine Diktier-Werkzeugleiste erscheint, und dein PC hört zu. Sprich. Klicke heraus oder drücke den Stop-Button auf der Werkzeugleiste, und der Text bleibt stehen. Das ist die ganze Grundausstattung.

Microsoft nennt das Voice Typing. Es ist in Windows 10 und Windows 11 eingebaut. Es gibt keine App zum Installieren. Es gibt kein "Training" wie bei dem Verwandten, an den ich denke und der das mit Dragon NaturallySpeaking auf einem Windows-98-Desktop im Jahr 1999 machen musste — 45 Minuten lang eine Kalibrierungsliste vorlesen, bevor die Software entscheiden konnte, ob du "writing" oder "riding" gesagt hast. Sprachtechnik ist still und leise besser geworden, während keiner hingeschaut hat, und Microsoft hat das Ergebnis in einem Systemupdate ausgeliefert, ohne Pressemitteilung.

Ein paar Dinge, die du gleich wissen solltest. Voice Typing nutzt die Online-Spracherkennung von Microsoft, betrieben von Azure Speech. Das heißt: Audio verlässt deinen Laptop in Richtung eines Microsoft-Rechenzentrums. Wenn du eine Gehaltsliste, eine HR-Notiz oder irgendetwas diktierst, das HIPAA oder GDPR betrifft, ist das relevant. Prüfe deine IT-Richtlinie oder nimm ein Werkzeug mit einer einfacheren Datenschutzgeschichte. Das Feature unterstützt mehr als 50 Sprachen mit regionalen Varianten. Auf einem Copilot+ PC (die neue Snapdragon X / Surface-Generation) gibt es zusätzlich ein Voice-Typing-Feature namens Fluid dictation, das ein lokales Sprachmodell nutzt, um Grammatik, Zeichensetzung und Füllwörter beim Sprechen zu korrigieren — derzeit in allen englischen Locales verfügbar.

Voice Typing vs. Voice Access — wähl die richtige Oberfläche

Zwei verschiedene Microsoft-Features, die häufig verwechselt werden. Voice Typing ist das, was du mit Windows + H bekommst. Voice Access ist ein separates Feature, um den ganzen PC per Stimme zu steuern: Apps öffnen, Buttons klicken, scrollen, plus Texteingabe. Voice Access setzt Windows 11 22H2 oder neuer voraus, nutzt lokale Spracherkennung, die auch ohne Internet funktioniert, und hat im September 2024 die alte Windows Speech Recognition abgelöst. Voice Access deckt Englisch (sechs regionale Varianten), Spanisch, Deutsch, Französisch, vereinfachtes und traditionelles Chinesisch, Japanisch und Italienisch ab.

Wenn dein Ziel "Ich will Text in Apps diktieren" ist, willst du Voice Typing. Wenn dein Ziel "Ich kann Maus und Tastatur nicht nutzen, ich muss den ganzen PC steuern" ist, willst du Voice Access. Die beiden arbeiten auf unterschiedlichen Voraussetzungen, und die Doku liegt an unterschiedlichen Stellen. Die meisten Leser, die nach "Spracherkennung Windows" suchen, wollen Voice Typing.

Wann Microsoft Voice Typing reicht

Unter uns: Die meisten Leute brauchen keine kostenpflichtige Diktier-App. Wenn du eine Antwort mit 30 Wörtern schickst, in einen Slack-Thread diktierst oder eine Kalendernotiz hinkritzelst, ist Windows + H kostenlos und reicht. Whisper fängt etwa ab 200 Wörtern an, sich zu lohnen — da, wo Voice Typings Genauigkeit und das fehlende Verbesserungs-Step anfangen wehzutun. Lange Sätze werden zu Schachtelsätzen ohne Punkt. Die Zeichensetzung driftet. Eigennamen wackeln; der Name meiner älteren Tochter wurde schon als "Maira", als "Mirror" und einmal, denkwürdig, als "Mirror image" transkribiert.

Die Aufteilung ist grob: kurz, locker, nur Englisch, keine Compliance-Sorgen → Voice Typing. Lang, durchdacht, mehrsprachig, sensibel oder wenn du Verbesserung willst → greif zu einem richtigen Werkzeug. Wenn dein Tag größtenteils aus zweizeiligen Teams-Chats besteht, bist du mit diesem Artikel fertig. Wenn dein Tag aus E-Mails, Briefings, Code-Kommentaren, Vorlesungs-Zusammenfassungen oder Marketing-Copy-Varianten besteht, lies weiter. dictating into Word specifically has a few extra considerations worth reading.

And if you want the inverse — Windows reading text back to you for proofreading long drafts — the honest free text-to-speech roundup covers Edge's built-in Read Aloud and the five tools worth the install.

Lieber die Produktseite statt der Anleitung? Whispers Spracherkennung für Windows stellt die App, die lokalen Modelle und den Download übersichtlich vor.

Walkthrough: Cloud-Modus (der OpenAI-BYOK-Pfad)

Cloud ist der Pfad mit der höchsten Qualität und der, den ich auf einer neuen Maschine zuerst einrichten würde. Zeitbudget: ungefähr 3 Minuten, wenn du schon einen OpenAI-Schlüssel hast.

Alternativer Pfad: Parakeet (die Local-First-Spur)

Wenn du es lieber hast, dass dein Audio den Laptop nicht verlässt, ist Parakeet die schnellste lokale Engine.

Installieren

Derselbe Whisper-Installer. Settings → Transcription → Modus umschalten auf Local — Parakeet. Die App lädt die Parakeet-v3-Modell-Datei (~600 MB) und entpackt sie beim ersten Start.

Nutzen

Derselbe Hotkey: Ctrl + Space halten, reden, loslassen. Das Transkript erscheint an deinem Cursor, genau wie im Cloud-Modus. Kein Internet nötig, sobald das Modell heruntergeladen ist. Die gesamte Transkription läuft in reinem Rust via transcribe-rs (kein Python-Sidecar).

Wann du diesen Weg wählst

Englischsprecher. Überwiegend englische Arbeit. Code-Switching mit EU-Sprachen ist okay; Parakeet deckt 25 Sprachen ab, darunter Französisch, Deutsch, Spanisch, Italienisch, Polnisch, Ukrainisch, Russisch und 17 weitere. Du willst Tempo, brauchst aber keine Übersetzung ins Englische und keine asiatischen Sprachen. Parakeet läuft auf der CPU 5- bis 10-mal schneller als Whisper, was auf einem typischen Intel-i5/i7-Laptop bedeutet, dass das Diktat fertig ist, bevor dein Finger die Taste verlässt.

Wann du diesen Weg überspringst

Du sprichst Chinesisch, Japanisch, Koreanisch, Arabisch oder eine andere nicht-EU-Sprache; du brauchst Übersetzung ins Englische; oder du brauchst Beam-Size- und Hotword-Kontrolle. Nimm stattdessen den lokalen Whisper-Pfad oder Cloud.

Alternativer Pfad: lokales Whisper (wenn du Kontrolle brauchst)

Lokales Whisper ist die breiteste lokale Engine. 99 Sprachen in den mehrsprachigen Builds. Übersetzung ins Englische. Eigenes Vokabular. Beam-Size-Kontrolle. Hotword-Bias.

Installieren

Derselbe Whisper-Installer. Settings → Transcription → Modus umschalten auf Local — Whisper. Wähle ein Modell.

Nutzen

Derselbe Hotkey: Ctrl + Space halten, reden, loslassen. Die KI-Verbesserung im lokalen Modus läuft über Ollama, falls du es installiert hast; ansonsten Roh-Transkription.

Performance-Profile

Settings → Transcription → Performance. Drei Optionen: Fast (Beam 3), Balanced (Beam 6), Accurate (Beam 9). Fast und Balanced sind für die meisten Nutzer richtig; Accurate ist für hochkritische Transkription, wo du eine Sekunde länger warten kannst.

Wann du diesen Weg wählst

Du übersetzt Ukrainisch ins Englische mitten im Satz, du diktierst Japanisch, du wechselst zwischen fünf Sprachen in einem Absatz oder du willst Hotword-Bias für branchenspezifisches Vokabular (medizinisch, juristisch, technisch).

Wann du diesen Weg überspringst

Du bist reiner Englischsprecher, der die schnellste lokale Option will; nimm stattdessen Parakeet. Du willst Top-Genauigkeit und hast einen OpenAI-Schlüssel; nimm Cloud.

Der ehrliche Vergleich: Microsoft Voice Typing, Wispr Flow und Whisper

Wispr Flow ist ein poliertes Cloud-only-Produkt für rund $15 im Monat unter Windows. Die eigentliche Transkription passiert über dieselbe Familie von Whisper-Modellen, die auf jemand anderem GPU laufen. Wir lassen dieselbe Engine stattdessen auf deinem Laptop laufen, verlangen $9.99 im Monat und liefern Cloud (BYOK zu OpenAI) als Fallback mit, wenn du es willst. Der Lebenslang-Preis ($69) erreicht den Break-even gegen das Monatsabo bei sieben Monaten: bei $9.99 × 7 hättest du $69.93 fürs Monatsabo ausgegeben. Die meisten Nutzer diktieren deutlich länger als sieben Monate. Lebenslang ist der ehrliche Preis für ein Werkzeug, das du tatsächlich nutzt.

Klare Ansage: Wispr Flow ist ein echtes Produkt von schlauen Leuten. Wenn ihr UI das ist, was dich überhaupt zum Diktieren bringt, ist das mehr wert als $20 im Monat an gespartem Tippen. Wir denken nur, dass Diktat 2026 nicht für immer ein Monatsabo kosten sollte.

If your dictation lives mostly in the browser, the Chrome-extension route is a different trade-off again; the honest Voice In (Dictanote) alternative weighs an in-page extension against a system-wide app that types into every window.

Das richtige Whisper-Modell für deine Hardware wählen

Whisper kommt in der App in acht Größen. Die langweilige Wahrheit ist: Die meisten Windows-Nutzer sollten small.en für englischsprachige Arbeit oder small für mehrsprachige Arbeit wählen und nie wieder darüber nachdenken.

Alle Größen direkt aus dem Modellregister der Desktop-App; kein Runden, keine Zahlen aus dem öffentlichen Whisper-Paper.

Ein paar Faustregeln. Bei 8 GB RAM läuft der Cloud-Modus auf jeder Hardware sowieso. Lokal: Parakeet, base.en oder small.en sind die sicheren Wahlen; medium.en wird sich verschlucken. Bei 16 GB+ und einer dedizierten GPU laufen alle Pfade bequem, und large-v3 und turbo profitieren am meisten von der GPU. Ein USB-Mikrofon für $20 macht für die Transkriptionsgenauigkeit mehr aus als der Wechsel von small.en zu medium.en. Gib das Geld lieber für die Eingabe aus als für das Modell.

Für mehrsprachige Nutzer, die mitten im Absatz zwischen Englisch und Ukrainisch, Deutsch oder Japanisch wechseln, sind large-v3 oder turbo die einzige Modellfamilie, die echtes Code-Switching sauber hinbekommt. Kleinere mehrsprachige Modelle können eine Sprache gut transkribieren, wackeln aber, wenn du mitten im Satz wechselst.

Drei Dinge, die in der ersten Woche stolpern lassen

Eine kleine Geschichte, die dir vielleicht einen Abend spart. Die erste Version von Whispers Hotkey-Handler hat den Recording-Stop-Callback sechsmal pro echtem Tastendruck unter Windows gefeuert. Auf einer sauberen Installation lief es einwandfrei, auf Kundenmaschinen mit irgendeiner aktivierten Spracheingabe ging es kaputt. Ein paar Tage Telemetrie, ein 50-ms-Debounce, der nicht reichte, dann ein 300-ms-Debounce, der schließlich reichte. Windows-IMEs erzeugen Phantom-Ctrl + Space-Release-Events in unvorhersehbaren Abständen; entweder du debouncest oder du verlierst den Verstand. Wir haben uns für Ersteres entschieden. Der Debounce ist für dich unsichtbar; er sitzt einfach da und macht seine Arbeit, so wie es gute Infrastruktur meistens tut.

If your Win + H toolbar opens but the microphone meter never moves — or the whole shortcut does nothing — that's a different problem with its own short fix list: eight verified fixes for Windows voice typing that stopped working.

Wenn du dir nur eine Sache merkst, dann diese: Dein Windows-PC kann bereits Spracherkennung, kostenlos, gut genug für kurze Notizen. Nutze sie. Wenn die Datenschutzgeschichte (über Azure geleitetes Audio), das fehlende Verbesserungs-Step und die Grenzen beim Langform-Diktat anfangen, dich echte Zeit zu kosten (meist um die 200-Wörter-Marke, meist nach etwa einer Woche), dann verdient sich ein richtiges Diktier-Werkzeug seinen Platz. Probiere lokal zuerst, wenn dir Datenschutz wichtig ist oder du meistens offline bist. Cloud ist der Pfad mit der höchsten Qualität, wenn nicht. Der Wechsel ist ein Schalter in den Einstellungen, und der Hotkey ist derselbe. Wenn du gerade die Einrichtungs-Schritte im Kopf abwägst, ist das schnellste Experiment: Whisper installieren, Cloud-Modus mit deinem OpenAI-Schlüssel einstellen, Ctrl + Space halten, diesen Absatz in ein Notepad-Fenster zurückdiktieren und schauen, ob du je wieder zum Tippen zurückwillst. Ich wette, du willst nicht.