Der Anspruch ist schlicht: Transkription weg vom Browser

Buzz beschreibt seine Rolle ohne Umschweife. Es holt die Transkription aus dem Browser und legt sie auf den Rechner, der vor einem steht. Darunter arbeitet Whisper von OpenAI, und die App erledigt Transkription wie Übersetzung vollständig offline auf einem privaten Rechner. Für die wichtigsten Desktop-Plattformen gibt es fertige Installationspakete, der Download ist also die ganze Vorbereitung.

Gegenüber dem Aufruf einer Online-Schnittstelle bringt der lokale Lauf drei Dinge unmittelbar. Die Aufnahme verlässt den Rechner nicht. Lange Dateien warten nicht in einer Upload-Schlange. Und über der Arbeit hängt kein Kontingent pro Aufruf. Bezahlt wird das mit der Abhängigkeit von der eigenen Hardware.

Dateien, Links, Mikrofon

Eine Datei zu importieren ist der Alltag. Das Projekt unterstützt Audio- und Videodateien und zusätzlich Online-Videolinks; in der Oberfläche landet ein Link direkt in der Aufgabenliste. Über den Import hinaus gibt es Live-Transkription vom Mikrofon, samt Präsentationsfenster, das die Untertitel während einer Besprechung oder eines Vortrags auf eine große Leinwand bringt.

Ist die Aufnahme schlecht, lässt sich vor der Transkription eine Stimmertrennung laufen lassen, was laut Projekt bei lautem Material bessere Genauigkeit bringt. Nach der Transkription können Sprecher im Text unterschieden werden, sodass ein Interview mit mehreren Personen oder ein Besprechungsprotokoll nach Stimmen getrennt wird.

Exporte und die Arbeit danach

Ergebnisse gehen in drei Formaten hinaus: reiner Text, SRT und VTT. Die letzten beiden sind gängige Austauschformate für Untertitel, das Ergebnis landet also ohne handgebaute Zeitleiste im Schnittprogramm. Eine Option für Zeitstempel auf Wortebene lässt sich in der Oberfläche setzen, was bei präziser Ausrichtung hilft.

Der mitgelieferte Betrachter sucht, steuert die Wiedergabe, ändert die Abspielgeschwindigkeit und bringt Tastenkürzel zum Springen mit. Bei einem Stapel Dateien startet die Ordnerüberwachung die Transkription, sobald etwas Neues eintrifft. Für Skripte und Abläufe gibt es eine Kommandozeilenschnittstelle. Ein Plugin-System lässt Platz zum Erweitern, als Beispiele nennt das Projekt automatische Zusammenfassungen und das gebündelte Anpassen der Transkriptlänge.

Backends und Beschleunigung nach eigener Karte

Mehrere Whisper-Backends werden unterstützt, und darin ist Buzz flexibler als die meisten Werkzeuge der Kategorie. Genannt sind CUDA für Nvidia-Karten, native Unterstützung auf neueren Maschinen und Vulkan über Whisper.cpp, das auf den meisten Karten läuft, integrierte Grafik eingeschlossen. Über Hugging Face kommen weitere Transformer-Modellfamilien derselben Art dazu. Modelle wechseln in den Einstellungen, nach Backend gruppiert, und eine eigene Modelladresse lässt sich eintragen.

Ab Version 1.4.6 mit einer Nvidia-Karte wird die CUDA-Beschleunigung direkt aus dem Info-Bereich der App installiert, ohne eigene Umgebungspflege.

Installation: ein Paket je Plattform

Jede große Plattform hat ihren Weg. macOS bekommt ein Datenträgerabbild, Windows ein Installationsprogramm, Linux drei Auslieferungsformen: Flatpak, Snap und AppImage. Man nimmt, was zu den eigenen Gewohnheiten passt.

Eines sollte man vorher wissen: die Pakete sind nicht signiert, das System meldet sich also während der Installation, und wer dem Hinweis folgt, bringt sie zu Ende. Das Projekt merkt außerdem an, dass die aktuelle Fassung eine Hardware-Untergrenze hat; für ältere Maschinen ist 1.4.5 die letzte nutzbare Version.

Für eine Kommandozeilenumgebung geht die Installation über einen Paketmanager, danach startet die App als Modul. Dieser Weg setzt ffmpeg voraus und verlangt Python 3.12; mit Nvidia-Karte und dem Wunsch nach GPU-Beschleunigung muss zusätzlich eine Build des Inferenz-Frameworks mit CUDA-Unterstützung installiert werden.

MIT, und viele Downloads

Buzz ist Open Source unter MIT. Der Code ist öffentlich, und das Repo hat die Marke von 1,5 Millionen Downloads überschritten. Eine freizügige Lizenz heißt, dass die Einbindung in den eigenen Ablauf oder ein Aufbau darauf kaum auf Genehmigungshürden stößt.

Für wen es passt

Wenn die Aufgabe lautet, einen Stapel Aufnahmen oder Videos in Text zu verwandeln und dabei vom fremden Server fernzuhalten, liegt der Wert genau dort: kein Konto, keine Gebühr pro Aufruf, Offline-Arbeit nach der Installation, und der Live-Modus samt Ordnerüberwachung deckt sowohl Protokolle als auch Massenverarbeitung ab.

Von der Hardware verlangt es etwas. Größere Modelle kosten Speicher und Zeit. Bei der Plattformkompatibilität gibt es Abwägungen, und das Projekt dokumentiert, welcher Fall zu welcher Plattform passt. Die Genauigkeit folgt weiter der Audioqualität, lautes Material sollte also auch bei gutem Modell einmal von Hand geprüft werden.

Eine KI-Fähigkeit als Desktop-Anwendung bedeutet: Daten bleiben lokal, das Netz fällt aus der Gleichung. Der Preis ist, dass die Leistung zur eigenen Zuständigkeit wird. Genau das ist die ehrliche Seite jedes Offline-Werkzeugs.