Wie lokale Transkription funktioniert, ohne Cloud, an einem Mac oder PC

Kurze Antwort

Lokale Transkription wandelt Sprache mit einem Sprachmodell in Text um, das auf Ihrem Computer gespeichert ist und vom eigenen Prozessor ausgeführt wird, sodass weder ein Server noch eine Internetverbindung beteiligt ist. Audio geht hinein, fünf Schritte laufen auf dem Computer, und Text kommt heraus.

Download für Mac

Download für Windows

Weitere Downloads

macOS 13+ auf Apple Silicon · Kein AboWindows 10 und 11 · Kein Abo

Zuletzt geprüft am 21. Oktober 2026

Illustration: Eine Stimme geht in einen Laptop. Auf dem Bildschirm werden nacheinander fünf Schritte abgehakt: Zuhören, Aufbereiten, Aufschreiben, Sprecher trennen und Zusammenfügen. Eine Seite Text kommt heraus. Ein Banner unter dem Laptop lautet: Funktioniert ohne Internet.

Illustration der fünf Schritte auf Ihrem eigenen Computer.

Fünf Schritte

Was passiert zwischen Sprechen und Text?

Zuhören. Das Audio kommt von Ihrem Mikrofon, aus einer Datei oder aus dem Ton, den Ihr Computer abspielt.
Aufbereiten. Die App findet die Sprache, gleicht die Lautstärke an und teilt die Aufnahme in Abschnitte.
Aufschreiben. Die App wandelt jeden Abschnitt direkt auf dem Computer in Text um.
Sprecher trennen (optional). Die Stimmen werden nach Sprecher gruppiert. Sie legen fest, wie viele Personen gesprochen haben (standardmäßig 2).Sie geben an, wie viele Personen gesprochen haben (1 bis 4 oder eine eigene Zahl), und Lesskeys gruppiert die Stimmen.
Zusammenfügen. Die Abschnitte werden zu einem Transkript, auf Wunsch mit Sprecherbezeichnungen. Jeder Schritt lief auf dem Computer.

Sprecherbezeichnungen: Sprechertrennung.

Auf Ihrem Computer

Was läuft auf meinem Computer?

Alles, was dafür nötig ist, liegt auf Ihrem Computer.

Ein kleines Startmodell ist in der App enthalten, damit das Diktieren vom ersten Start an funktioniert; größere Modelle werden einmal heruntergeladen und bleiben gespeichert. Erforderlich ist macOS 13 oder neuer, Apple Silicon (M1 oder neuer)Windows 10 (Version 1903 oder neuer) oder Windows 11.

Internet

Braucht es jemals das Internet?

Nur, um einmalig etwas herunterzuladen.

Ein größeres, genaueres Modell, wenn Sie eines wählen, und ein kleines zusätzliches Paket beim ersten Mal, wenn Sie Sprecher kennzeichnen. Danach ist keine Verbindung mehr nötig. Der Beitrag Was ist Transkription auf dem Gerät? vergleicht lokal und Cloud; ein Test, den Sie selbst ausführen können.

Am Mac

Ist es auf einem Mac schnell genug?

In unserem Test auf einem Mac dauerte eine Stunde Sprache mit der genaueren Option etwa fünf Minuten und mit einer kleineren etwa zwei Minuten.

Ein älterer Mac ist langsamer. Das Diktat schreibt den Text, nachdem Sie aufgehört haben zu sprechen: eine kurze Wartezeit, keine Live-Untertitel. Die Arbeit läuft auf dem eigenen Apple-Silicon-Chip des Mac.

Quelle: unsere eigene Messung, in Welches Whisper-Modell auf dem Mac laufen sollte.

Unter Windows

Was leistet der PC?

Eine Grafikkarte mit Vulkan-Unterstützung übernimmt die Hauptarbeit; ohne sie rechnet der Prozessor.

Auf einem 64-Bit-PC mit Intel- oder AMD-Prozessor nutzt Lesskeys eine Grafikkarte mit Vulkan-Unterstützung, wenn es eine findet, und weicht sonst auf den Prozessor aus. Die ARM64-Version läuft auf dem Prozessor. Das Diktat schreibt den Text, nachdem Sie aufgehört haben zu sprechen: eine kurze Wartezeit, keine Live-Untertitel. Wie lange eine Stunde Sprache unter Windows dauert, haben wir nicht gemessen, daher gibt es dafür keine Zahl.

Fragen

Fragen zur lokalen Transkription

Wie funktioniert Transkription offline?

Auf Ihrem Computer gespeicherte Software wandelt das Audio auf Ihrem Gerät in Text um, ohne dass ein Server beteiligt ist, daher funktioniert sie auch ohne Internet.

Ist lokale Transkription langsam?

Nein. In unserem Test auf einem Mac mit Apple Silicon dauerte eine Stunde Sprache mit der genaueren Option etwa fünf Minuten; ein älterer Mac ist langsamer. Windows haben wir nicht gemessen.

Wie werden ohne Cloud verschiedene Sprecher gekennzeichnet?

Eigene Werkzeuge auf Ihrem Computer vergleichen die Stimmen über die gesamte Aufnahme und gruppieren die Abschnitte nach Sprecher. Sie können festlegen, wie viele Personen gesprochen haben, und nichts wird an einen Server gesendet.

Mehr