Auf einen Blick
Schnell, weil es lokal läuft. Genau, weil die Pipeline sauber arbeitet.
Die meiste Werbung für Diktierfunktionen redet sich um die Pipeline herum. Das ist Unsinn. Die Pipeline ist das Produkt. Wenn das Signal schlecht ist, das Batching naiv oder die Laufzeit unzuverlässig, merkt man das sofort.
Was zählt
- Führt die gesamte Diktier-Pipeline auf dem Gerät aus.
- Bereinigt das Signal vor der Erkennung, nicht erst den Text danach.
- Verarbeitet in Batches im Stream, damit lange Diktate am Ende nicht hängen bleiben.
- Hält Netzwerkaufrufe minimal und optional.
Pipeline
Die Pipeline auf dem Gerät, Schritt für Schritt.
Spracherkennung (VAD)
Ein streamendes Silero-Sprach-Gate markiert Sprachabschnitte, sobald Audio eintrifft. So läuft die Erkennung nur auf den Teilen, die tatsächlich Sprache enthalten.
Segmentierung
Satzgrenzen werden mit Padding und Zusammenführen bestimmt, damit kurze Pausen den Zusammenhang zwischen Äußerungen nicht zerreißen.
Audioaufbereitung
Zuerst läuft ein 50-Hz-Hochpassfilter, danach eine K-gewichtete Lautheitsnormalisierung. Der Lautheitszielwert hängt vom Pfad ab: Die Dateitranskription zielt auf −14 LUFS, das Live-Diktat standardmäßig auf −16 LUFS und bei der alternativen Topologie auf −18 LUFS.
Resampling
Audio mit 48 kHz wird auf 16 kHz umgerechnet, damit es sauber und einheitlich zu dem passt, was von Whisper abgeleitete Modelle erwarten.
Kontext-Batching
Das Diktat läuft in Blöcken mit einem Zielwert von 29 Sekunden, begrenzt auf einen Bereich von 15 bis 29 Sekunden. So bleiben längere Gedanken zusammenhängend, statt alle paar Sekunden zurückgesetzt zu werden. Der Zielwert ist keine harte Obergrenze: Ein einzelner Sprachabschnitt, der länger als das Ziel ist, bleibt am Stück erhalten.
Inferenz über Metal
Whisper läuft über das Metal-GPU-Backend. Dazu gibt es einen reinen CPU-Sicherheitsmodus, auf den die App umschaltet und dabei bleibt, wenn ein früherer Start bei der Modellinitialisierung abgestürzt ist. Der Core-ML-Encoder-Pfad ist im Build fest deaktiviert, weil seine Eingaben mit fester Form kein Audio variabler Länge verarbeiten können.
Geschwindigkeit
Warum es sich in der Praxis schneller anfühlt.
Keine Uploads
Audio verlässt deinen Mac nie. So entfallen Netzwerklatenz, Kompressionsartefakte und Warteschlangen in der Cloud.
Begrenzter Abschluss
Wenn du die Tastenkombination loslässt, wird nur der aktuelle Block abgeschlossen, nicht die ganze Aufnahme. Die Zeit vom Stopp bis zum Text wächst deshalb nicht mit der Länge des Diktats. Einen gemessenen Millisekundenwert haben wir nicht veröffentlicht und werden das erst tun, wenn der Benchmark samt Skript erscheint.
Stoßweise statt dauerhaft
Die Inferenz läuft nur, während ein Block abgeschlossen wird, nicht die ganze Zeit, in der die App geöffnet ist. Es gibt keine ungenutzte Netzwerkverbindung und keine Upload-Warteschlange im Hintergrund, die das Funkmodul wach hält.
Genauigkeit
Warum es auch im ganz normalen Alltagschaos genau bleibt.
Erst das Signal verbessern
Wir verbessern das Audio vor der Erkennung, statt uns auf aufwendige Prompt-Tricks zu verlassen, um ein schlechtes Transkript hinterher zu retten.
Robust gegen Störgeräusche
Das Silero-Gate hält Nicht-Sprache aus der Dekodierung heraus, statt den Erkenner einen Ventilator transkribieren zu lassen. Es filtert nach Sprache und drückt deshalb Konsonanten und Zischlaute nicht platt, wie es eine breitbandige Rauschunterdrückung tut.
Fachvokabular
Eigene Wortlisten fließen direkt in den Erkenner ein. Das hilft Fachbegriffen und Produktnamen, den ersten Kontakt zu überstehen.
Vertrauen
Datenschutz und Nachprüfbarkeit gehören zur technischen Geschichte.
Vertrieb über den Mac App Store
Voice Type wird mit aktivierter Apple-Notarisierung und Sandbox ausgeliefert.
Echte Transparenz
App-Store-Bewertungen werden ungefiltert angezeigt, auch kritische.
Minimale Netzwerkaufrufe
Wir kontaktieren Apple nur für Belegprüfungen und, wenn du es aktivierst, deinen optionalen Anbieter für das Umschreiben.
Optionales Umschreiben
Diktieren bleibt lokal. Umschreiben ist optional.
Wenn du das Umschreiben mit eigenem Schlüssel aktivierst, können Transkripte an ein schnelles LLM übergeben werden, um sie zu formatieren, zusammenzufassen oder als Entwurf auszuarbeiten. Wichtig ist, dass das Diktieren selbst diesen Weg nicht braucht, um sich unmittelbar anzufühlen.
Diese Trennung ist wichtig. Zuerst muss die Spracherfassung zuverlässig sein. Sprachliche Politur kann optional danach kommen.