AudioScript 0.7.1 ist ein offenes Untertitelwerkzeug fuer Windows, macOS und Linux. Es hoert nicht am Mikrofon mit, sondern an dem, was der Rechner ohnehin abspielt, erledigt Spracherkennung und die Uebersetzung zwischen Chinesisch und Englisch an Ort und Stelle und legt die Ausgangszeile ueber ihre Uebersetzung in eine schwebende Untertitelzeile. Kein Schritt dieser Kette braucht ein Netz, und der Ton verlaesst den Rechner nicht.

Fremder Ton haengt beim Zuhoeren

Der haeufigste Unfall bei einem englischen Podcast ist der Blick, der drei Sekunden abschweift, und danach weiss niemand mehr, wo die Sprechenden stehen; also geht der Regler fuenfzehn Sekunden zurueck. Ein fremdsprachiges Video ohne Untertitel verhaelt sich gleich: ein Satz entwischt, und man haelt an, spult zurueck, hoert noch einmal. In einer Besprechung im Netz kostet die schnellere Sprechweise der Gegenseite den ganzen Beitrag, weil im Kopf uebersetzt wird und die eigene Arbeit steht. Alle drei haben dieselbe Form. Es klemmt nicht am Verstehen, sondern an der kurzen Strecke, in der aus Schall Text werden muss.

Genau an dieser Strecke setzt AudioScript an. Das Werkzeug macht die Sprache in einem fremden Podcast, Video oder einer Besprechung mitlaufend zu Text, uebersetzt Satz fuer Satz und heftet das Ergebnis als schwebendes Fenster auf den Bildschirm. Erkennung und Uebersetzung laufen beide auf dieser Maschine, und der Ton geht nirgendwohin.

Der Ton kommt direkt aus dem System

Systemton mitzuschneiden war frueher muehsam. Man richtete einen virtuellen Treiber fuer die Tonausgabe ein, baute in den Toneinstellungen einen Weg auf mehrere Ausgaenge, damit der Schall zugleich an die Lautsprecher und an das virtuelle Geraet ging, und musste danach daran denken, wieder umzuschalten; wer es vergass, sass vor einem stummen Rechner. AudioScript geht anders vor. Unter macOS ruft es Core Audio Process Tap auf, unter Windows WASAPI loopback, beides Mittel, die das System schon mitbringt, und beides nimmt auch mit Kopfhoerern noch Ton ab.

Drei Quellen stehen bereit: das System, das Mikrofon oder beides gemischt, voreingestellt ist das System. Der Mischbetrieb ist fuer Besprechungen im Netz gedacht, in denen die Gegenseite ueber die Systemausgabe hereinkommt und die eigene Stimme ueber das Mikrofon, und beides zusammen verschriftet wird. AudioScript kann ausserdem nur die genannten Anwendungen abgreifen, hoechstens vier, womit ein Musikspieler aus einer Besprechung draussen bleibt.

Ein halber Satz erscheint, der Satz schliesst am Ende

Die Aufzeichnungen des Projekts sagen es deutlich: der Engpass ist nicht das Modell, sondern das Zeitbudget. AudioScript wartet deshalb nicht auf einen ganzen Satz. Ergebnisse der Erkennung werden ausgespielt, sobald sie eintreffen, ein halber Satz steht zuerst da, und am Satzende wird die Formulierung festgeschrieben. Die Zeile laeuft der Stimme nach, statt nach einem Absatz auf einmal herauszuspringen. Silero VAD findet die natuerlichen Pausen zum Trennen; wer die beiden Sprachen stark mischt, schaltet auf das X-ASR-Modell um, das Satzzeichen und Grossschreibung mitliefert.

Vier Schrauben am schwebenden Fenster

Das Fenster behaelt eine feste Form aus zwei Zeilen, Ausgangstext oben, Uebersetzung unten, derselbe Satz bleibt beieinander. Die Schrift laeuft von 10 bis 48 Bildpunkten, voreingestellt sind 22, die Deckkraft des Hintergrunds startet bei sechzig Prozent, sechs Zeilen sind gleichzeitig zu sehen, und der fliessende Rand ist von Haus aus an. Nur der Hintergrund wird durchsichtig, die Schrift nie, weshalb ein fast verschwundener Hintergrund den Text weiter lesbar laesst.

Nach dem Feststellen laesst das Fenster die Maus glatt durch und nimmt keinen Fokus, ein Klick auf die Stelle der Zeile trifft also den Abspieler darunter. Unter macOS gelingt AudioScript noch etwas, was ein gewoehnliches Immer-oben nicht kann: es hebt das Fenster ueber die Ebene des Bildschirmschoners, sodass die Zeile auch dann oben bleibt, wenn eine andere Anwendung ein Video oder eine Besprechung im Vollbild oeffnet.

Die Modelle reisen im Paket mit

Die Erkennung nutzt laufende Berechnung ueber sherpa-onnx, die Uebersetzung OPUS-MT auf CTranslate2. Das Modell fuer Chinesisch und Englisch belegt 58MB, das Uebersetzungsmodell rund 164MB, und beide liegen im Paket, sodass der erste Start nichts nachlaedt. Der Preis ist ein grosses Paket von etwa zweihundert Megabyte; dafuer arbeitet AudioScript sofort nach dem Oeffnen, ohne auf einen Stapel Modelle zu warten.

Die erste Verschriftung laedt die Modelle einmal, was das Projekt mit 1.25 bis 2.2 Sekunden angibt, danach laeuft die Ausgabe mit. Ein Satz braucht 70 bis 77 Millisekunden, gemessen in einem Release-Bau mit einem Chip der M-Reihe und beam auf 1; aeltere Rechner sind langsamer. Weitere Sprachen kommen als zusaetzliche Modelle: Nemotron und Qwen3-ASR fuer die Erkennung, LMT-60 und NLLB-200 fuer die Uebersetzung, das letzte nur fuer nichtgewerbliche Nutzung.

Lizenz

MIT, Quelltext offen, gebaut mit Tauri 2, Rust und React

Fassung

0.7.1, erschienen am 12. November 2026

Plattformen

macOS 14.2 oder spaeter auf Apple-Chip, Windows 10 oder spaeter, Ubuntu 24

Mitgelieferte Modelle

58MB fuer die Erkennung, rund 164MB fuer Chinesisch und Englisch, im Paket enthalten

Grenzen, die man vorher kennen sollte

AudioScript deckt derzeit nur Englisch und Chinesisch ab, und die Richtung waehlt man selbst. Eine automatische Spracherkennung gibt es nicht: fuer einen Podcast Englisch nach Chinesisch, im Gespraech mit Kolleginnen und Kollegen im Ausland Chinesisch nach Englisch, und eine falsche Wahl faellt einem selbst auf. Bei den Plattformen verlangt macOS die Fassung 14.2 oder spaeter auf Apple-Chip, einen Bau fuer Intel gibt es nicht; Windows 10 und spaeter gilt als vollwertig, doch ein Spiel im ausschliesslichen Vollbild verdeckt die Zeile; Linux zaehlt als zweite Klasse, und unter GNOME Wayland bleibt das Fenster nicht zugesichert oben.

Mitschriften lassen sich als Markdown ausgeben, festgeschriebene Absaetze tragen Zeitmarken, Ausgangstext und Uebersetzung bleiben paarweise erhalten. Das Symbol im Ablagebereich bleibt stehen, das Schliessen des Fensters beendet nichts, und Einzelinstanz wie Start beim Anmelden sind ebenfalls da, womit das Werkzeug zu jener Sorte gehoert, die man einmal einrichtet. Es passt zu Menschen, die fremde Podcasts hoeren, fremde Filme ohne Untertitel sehen oder in Besprechungen ueber Sprachen hinweg sitzen, und zu allen, die nebenbei eine zweisprachige Mitschrift behalten moechten.