Startseite › Sprache zu Text: so funktioniert es

Ablauf · Diktat und Transkription

Sprache zu Text auf dem Mac: so funktioniert es

Zwischen dem gesprochenen Satz und dem fertigen Text liegen vier Schritte: Aufnahme, Spracherkennung durch ein lokales Modell, Nachbearbeitung des Textes und das Einfügen. Diese Seite geht jeden davon durch — ohne Geschwindigkeitsversprechen, dafür mit den Stellen, an denen es in der Praxis hakt.

Der Ablauf in vier Schritten

Sprache zu Text auf dem Mac funktioniert bei Lesskeys immer nach demselben Muster, ob Sie einen Satz diktieren oder eine zweistündige Aufnahme transkribieren lassen. Der Unterschied liegt nur in der Quelle des Tons.

An keiner Stelle wird die Audiodatei an einen Server übertragen. Es gibt kein Benutzerkonto, und der gesamte Ablauf funktioniert im Flugmodus.

Diktat: Tastenkürzel, sprechen, ⌘V

Für das Diktat läuft Lesskeys als Symbol in der Menüleiste. Sie halten das globale Tastenkürzel ⌥ Leertaste gedrückt (oder tippen es kurz an, um die Aufnahme umzuschalten) und sprechen. Eine kleine Anzeige am Bildschirmrand zeigt den Pegel, damit Sie sehen, dass das Mikrofon wirklich Signal bekommt.

Nach dem Loslassen erkennt das lokale Modell den Text und legt ihn in die Zwischenablage. Den letzten Schritt machen Sie selbst: Cursor an die gewünschte Stelle, ⌘ V. Das ist bewusst so und soll hier nicht schöner klingen, als es ist: Lesskeys tippt den Text nicht selbstständig in fremde Programme. Der Vorteil dieser Lösung ist, dass sie überall gleich funktioniert — im Mail-Fenster, im Terminal, in einem Textfeld im Browser, in einer Datenbankmaske — und dass nichts an einer unerwarteten Stelle landet.

Was Sie diktiert haben, bleibt außerdem im Verlauf, sodass Sie einen Text auch später noch einmal kopieren oder neu erkennen lassen können.

Aufnahmen und Dateien: derselbe Weg, längere Rechenzeit

Für Gespräche, Besprechungen und vorhandene Dateien ändert sich nur die Tonquelle. Lesskeys kann den Systemton mitschneiden — also das, was aus Ihren Lautsprechern käme — und gleichzeitig Ihr Mikrofon. Damit lässt sich ein Videotelefonat aufzeichnen, ohne dass ein Besprechungs-Bot dem Termin beitritt: Die Aufzeichnung passiert auf Ihrem Rechner, nicht in der Konferenzsoftware. Wahlweise wird auch das Bild eines Fensters oder Bildschirms lokal mitgeschnitten.

Fertige Audio- und Videodateien ziehen Sie einfach in das Fenster. Danach entsteht dasselbe Ergebnis wie bei einer Live-Aufnahme: ein Transkript mit Zeitmarken, mit Sprecherabschnitten und durchsuchbar. Rechnen Sie damit, dass eine lange Aufnahme Ihren Mac für eine Weile beschäftigt — das ist der Preis dafür, dass die Datei das Gerät nicht verlässt.

Was das Modell ist und wo es liegt

Beim ersten Start lädt Lesskeys ein Sprachmodell herunter. Sie wählen dabei selbst, welches: Ein kleineres Modell erkennt schneller und braucht weniger Speicher, ein größeres erkennt genauer, besonders bei schwierigem Ton und bei anderen Sprachen als Englisch. Je nach Modell sind das rund 0,5 bis 1,6 GB. Die Größe wird vor dem Download angezeigt, und es wird nichts geladen, bevor Sie es bestätigen.

Danach liegt die Modelldatei lokal auf Ihrer Festplatte. Von diesem Moment an braucht die App keine Internetverbindung mehr — der Download ist der einzige Zeitpunkt, an dem Netz nötig ist.

99 Sprachen und die automatische Erkennung

Erkannt werden 99 Sprachen. Die gesprochene Sprache wird automatisch bestimmt, Sie müssen also nicht vor jedem Satz umschalten. Für den Alltag lohnt sich trotzdem eine Einstellung: Sie können die Auswahl auf die Sprachen begrenzen, die Sie tatsächlich sprechen, etwa Deutsch und Englisch. Das verhindert, dass ein kurzer, undeutlicher Einwurf als eine dritte Sprache interpretiert wird — der häufigste Grund für ein Transkript, das plötzlich in einer fremden Schrift dasteht.

Bei mehrsprachigen Aufnahmen gilt: Ein Wechsel zwischen zwei Sprachen mitten im Satz ist für jedes System schwierig. Sauber getrennte Passagen funktionieren deutlich besser als gemischte.

Was zwischen Erkennung und Ausgabe passiert

Zwischen dem rohen Modellergebnis und dem Text, den Sie einfügen, liegt noch eine Verarbeitungsstufe. Erkennungsmodelle neigen bei Stille oder unklarem Ton dazu, Wortschleifen zu erzeugen — derselbe Halbsatz mehrfach hintereinander. Solche Wiederholungen werden herausgefiltert, bevor der Text in der Zwischenablage landet. Außerdem können Sie eigene Textersetzungen hinterlegen, etwa für wiederkehrende Fachbegriffe, Abkürzungen oder Schreibweisen von Firmennamen, die das Modell sonst zuverlässig anders schreibt als Sie. Und für einzelne Programme lassen sich abweichende Einstellungen hinterlegen, wenn Sie dort etwa grundsätzlich in einer anderen Sprache schreiben.

Systemvoraussetzungen

• ab macOS 13 (Ventura)
• Mac mit Apple Silicon (M1 oder neuer) — zwingend erforderlich. Intel-Macs werden nicht unterstützt.
• Freier Speicherplatz für das gewählte Sprachmodell (je nach Modell rund 0,5 bis 1,6 GB)
• Berechtigung für das Mikrofon; für die Aufzeichnung von Systemton und Bildschirm zusätzlich die Bildschirmaufnahme-Berechtigung von macOS

Der Download ist kostenlos; die Vollversion schalten Sie mit einem einmaligen In-App-Kauf von 49,99 $ frei — 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.

Woran die Qualität hängt

Wenn ein Ergebnis enttäuscht, liegt es fast nie am Modell, sondern an einer dieser vier Stellen:

• Mikrofonabstand. Ein Headset oder ein Ansteckmikrofon bringt mehr als jede Softwareeinstellung. Das eingebaute Mikrofon quer über den Konferenztisch ist der klassische Fall für ein schlechtes Transkript.
• Eingangspegel. Ein zu leiser Eingang liefert dünnes Signal. Prüfen Sie in den Systemeinstellungen unter „Ton“, ob der Pegel beim Sprechen wirklich ausschlägt.
• Bluetooth. Kabellose Headsets brauchen nach dem Start rund eine Sekunde, bis das Mikrofon aktiv ist. Ein sehr kurzer Tastendruck kann dadurch leer bleiben — halten Sie in dem Fall etwas länger.
• Durcheinandersprechen. Gleichzeitige Rede kostet in jedem System Genauigkeit, sowohl beim Text als auch bei der Zuordnung zum Sprecher.

Wenn andere mit aufgenommen werden

Sobald Sie nicht nur sich selbst aufzeichnen, ist die Einwilligung Pflicht und nicht Höflichkeit. Das heimliche Aufzeichnen des nichtöffentlich gesprochenen Wortes ist in Deutschland nach § 201 StGB strafbar — bis zu drei Jahre Freiheitsstrafe, auch wenn Sie selbst am Gespräch beteiligt sind. Fragen Sie zu Beginn, halten Sie die Zustimmung fest, und nehmen Sie nicht auf, wenn jemand widerspricht. Dass die Verarbeitung lokal stattfindet, ändert daran nichts: Die Architektur bestimmt, wohin die Daten gehen, nicht, ob Sie sie erheben dürfen. Die Bewertung Ihres konkreten Falls gehört zu Ihrem Datenschutzbeauftragten. Dies ist ein Hinweis, keine Rechtsberatung.

Häufige Fragen

Passend dazu