Startseite › Lokale Spracherkennung

Grundlagen · Spracherkennung auf dem Mac

Lokale Spracherkennung: was das technisch bedeutet

Lokale Spracherkennung heißt: Das Sprachmodell läuft auf Ihrem eigenen Rechner, die Aufnahme wird dort in Text umgewandelt und verlässt das Gerät nicht. Gebräuchlich sind auch die Begriffe „On-Device-Spracherkennung“ und „Offline-Transkription“.

Definition

Spracherkennung (englisch speech recognition) bezeichnet die automatische Umwandlung gesprochener Sprache in geschriebenen Text. Entscheidend für diese Seite ist nicht ob das funktioniert, sondern wo es passiert. Bei der Cloud-Variante nimmt eine App Ihre Stimme auf, lädt die Audiodatei auf einen fremden Server, dort rechnet ein Modell, und der fertige Text kommt zurück. Bei der lokalen Variante liegt dasselbe Modell als Datei auf Ihrer Festplatte, und die Berechnung findet im Arbeitsspeicher und auf der GPU Ihres Rechners statt. Der Datenweg ist damit kurz: Mikrofon oder Audiodatei rein, Text raus, kein Netzwerk dazwischen.

Das ist kein Marketing-Detail, sondern eine Architekturentscheidung mit sehr konkreten Folgen — für die Vertraulichkeit, für die Nutzbarkeit ohne Internet, für die laufenden Kosten und für die Anforderungen an Ihre Hardware.

Cloud oder lokal: der Unterschied in der Praxis

Beide Ansätze liefern heute brauchbare Ergebnisse. Sie unterscheiden sich in dem, was neben dem Text noch passiert.

Die letzten beiden Zeilen sind die ehrliche Kehrseite: Lokale Spracherkennung verlagert die Rechenlast zu Ihnen. Ein zweistündiges Interview beschäftigt Ihren Mac spürbar, während er es transkribiert. Dafür entsteht keine Kopie Ihrer Aufnahme an einem Ort, über den Sie keine Kontrolle haben.

Warum dafür Apple Silicon nötig ist

Ein modernes Spracherkennungsmodell besteht aus mehreren hundert Millionen bis wenigen Milliarden Parametern. Damit die Transkription schneller läuft als die Aufnahme selbst, müssen diese Rechenoperationen auf der Grafikeinheit ausgeführt werden, und das Modell muss dabei in den Speicher passen, auf den GPU und Prozessor gemeinsam zugreifen.

Genau das leistet die Unified Memory Architecture von Apple Silicon: Prozessor und GPU teilen sich denselben Arbeitsspeicher, das Modell muss also nicht ständig zwischen zwei Speicherbereichen kopiert werden. Auf Intel-Macs mit separater oder integrierter Grafik fehlt diese Voraussetzung. Deshalb ist Lesskeys ein reines Apple-Silicon-Programm: ein Mac mit M1 oder neuer ist Voraussetzung, nicht Empfehlung. Auf Intel-Hardware läuft die App nicht. Als Betriebssystem wird ab macOS 13 (Ventura) unterstützt.

Wie genau ist lokale Spracherkennung?

Für Diktat und für die Transkription normal aufgenommener Gespräche liegen lokale Modelle heute im selben Bereich wie Cloud-Dienste. Die Fehlerquellen sind in beiden Fällen dieselben und liegen fast immer beim Ton, nicht am Modell:

• Aufnahmequalität. Ein direkt am Sprecher platziertes Mikrofon schlägt jedes Modell. Raumhall und Tischabstand kosten mehr Genauigkeit als die Wahl der Software.
• Überlappende Rede. Wenn zwei Personen gleichzeitig sprechen, wird eine davon schlechter erkannt — das gilt für jedes System.
• Fachbegriffe, Eigennamen, Abkürzungen. Produktnamen, Ortsnamen und Firmenkürzel werden häufig lautlich plausibel, aber falsch geschrieben. Diese Stellen müssen Sie nacharbeiten.
• Dialekt und starker Akzent. Standarddeutsch wird zuverlässiger erkannt als ausgeprägte Mundart.

Realistisch bleibt: Ein maschinelles Transkript ist ein Rohtranskript. Es spart den größten Teil der Tipparbeit, ersetzt aber nicht das Korrekturlesen — besonders dort, wo Sie den Text später zitieren.

Was „verlässt das Gerät nicht“ konkret heißt — und was nicht

Lokale Verarbeitung ist eine Aussage über die Architektur: Es gibt keinen Upload der Audiodatei, keinen Serverdienst, der die Aufnahme entgegennimmt, und damit auch keinen Dienstleister, der Ihre Daten in Ihrem Auftrag verarbeitet. Lesskeys benötigt kein Benutzerkonto und funktioniert im Flugmodus.

Was daraus nicht folgt: eine Aussage über die Rechtmäßigkeit Ihrer konkreten Verarbeitung. Ob Sie ein bestimmtes Gespräch aufnehmen, speichern und auswerten dürfen, hängt vom Zweck, von den Betroffenen und von Ihrer Organisation ab. Wir behaupten hier ausdrücklich keine Zertifizierung und keine Konformität; diese Bewertung gehört zu Ihrer Rechtsabteilung beziehungsweise Ihrem Datenschutzbeauftragten. Die Architektur nimmt Ihnen lediglich eine Frage ab, die sonst zuerst gestellt wird: wohin die Aufnahme geht.

Aufnahmen mit anderen Personen

Sobald andere Menschen mitgesprochen werden, ist die technische Frage die kleinere. In Deutschland ist das heimliche Aufzeichnen des nichtöffentlich gesprochenen Wortes nach § 201 StGB strafbar — mit Freiheitsstrafe bis zu drei Jahren, und zwar auch dann, wenn Sie selbst am Gespräch teilnehmen. Praktisch heißt das: vorher fragen, die Zustimmung dokumentieren (etwa als erster Satz der Aufnahme oder als Notiz im Protokoll), und bei Ablehnung nicht aufnehmen. Im betrieblichen Umfeld ist eine solche Aufzeichnung außerdem eine technische Einrichtung im Sinne von § 87 Abs. 1 Nr. 6 BetrVG und damit mitbestimmungspflichtig — klären Sie den Einsatz mit Betriebsrat und Datenschutzbeauftragtem, bevor Sie ihn einführen. Dies ist ein Hinweis, keine Rechtsberatung.

Die Begriffe, die dasselbe meinen

Im Deutschen kursieren mehrere Bezeichnungen für denselben Sachverhalt, was die Suche unnötig erschwert. „Lokale Spracherkennung“, „On-Device-Spracherkennung“, „Offline-Transkription“ und „Spracherkennung ohne Server“ beschreiben alle die Verarbeitung auf dem eigenen Gerät. „Verschriftlichung“ ist das Behördenwort für dasselbe Ergebnis. Nicht dasselbe ist die Sprechererkennung: Die beantwortet, wer gesprochen hat, nicht was gesagt wurde — beides zusammen ergibt erst ein lesbares Gesprächsprotokoll. Und die Sprachsteuerung von macOS ist wieder etwas anderes: Sie führt Befehle aus, statt Fließtext zu erzeugen.

Lokale Spracherkennung auf dem Mac

Lesskeys ist eine macOS-App, die ausschließlich lokal arbeitet: systemweites Diktat per Tastenkürzel und daneben die Transkription von Gesprächen, Interviews, Audio- und Videodateien mit automatischer Sprechertrennung. Erkannt werden 99 Sprachen, die Sprache wird automatisch bestimmt. Diktierter Text wird in die Zwischenablage kopiert und von Ihnen mit ⌘V eingefügt — die App tippt nichts selbstständig in fremde Programme. Der Download ist kostenlos, die Vollversion schalten Sie mit einem einmaligen In-App-Kauf frei (49,99 $, kein Abo). In der kostenlosen Version sind 5 Minuten Diktat pro Tag sowie 5 Audio- und 5 Videotranskriptionen enthalten; Aufnehmen und erneutes Transkribieren sind unbegrenzt.

Wenn Sie den Ablauf Schritt für Schritt sehen wollen, lesen Sie weiter unter Sprache zu Text: so funktioniert es.

Häufige Fragen

Passend dazu