Sprechen ist etwa dreimal so schnell wie Tippen. Handy tut genau eines: es macht aus dem Gesagten Text in dem Feld, in dem der Schreibzeiger gerade steht.

Das Werkzeug ist frei, quelloffen und laeuft vollstaendig auf dem eigenen Rechner. Am 2. November 2026 kam Fassung 0.10, und die Ankuendigung ist ungewoehnlich deutlich: danach sei der Umfang im Wesentlichen beisammen, und die weitere Arbeit gelte dem Beheben von Fehlern und der Stabilitaet statt neuen Umfaengen. Fuer ein Werkzeug, das schon taeglich benutzt werden kann, wiegt dieser Satz mehr als jede Liste von Funktionen.

Drei Bloecke, die 0.10 gefuellt hat

Der erste Block ist die Verschriftung von Audiodateien. Bisher war das Werkzeug um das Diktieren im Augenblick herum gebaut: ins Mikrofon sprechen, die Woerter erscheinen. Nun lassen sich vorhandene Aufnahmen hineinlegen und verschriften, und das Ergebnis landet zusaetzlich im Verlauf. Der zweite Block ist die automatische Spracherkennung fuer alle unterstuetzten Modelle, sodass die Sprache nicht mehr bei jedem Mal von Hand gewaehlt werden muss. Der dritte Block betrifft das Gefuehl: ein neuer Einstieg fuer die ersten Schritte und der Beginn einer neu gestalteten Oberflaeche.

Die Liste enthaelt auch leisere Punkte, die im Alltag mehr ausmachen. Die Verschrifung sitzt jetzt in einem eigenen Arbeitsprozess, und lange Aufnahmen werden an den Stellen getrennt, an denen Stimme erkannt wird. Eigene Woerter gehen ueber die Wortliste der Verschrifung hinein, was bei Eigennamen, Personennamen und Fachbegriffen stabiler wird. Eigene Nachbearbeitungen bekommen das neue Nachrichtenformat. Ein Weg beim Einfuegen, der den Hauptablauf blockierte, wurde repariert. Zusammen ist das das tatsaechliche Gewicht hinter dem Wort fast fertig.

Wie es sich anfuehlt

Die Bedienung ist bewusst zurueckhaltend. Den Schreibzeiger in ein Feld setzen, das Eingaben annimmt, die Tastenkombination druecken und sprechen, noch einmal druecken zum Beenden, oder die Taste halten und zum Schluss loslassen. Voreingestellt ist Ctrl plus Leertaste, eine zweite Kombination mit Nachbearbeitung liegt auf Ctrl plus Shift plus Leertaste, und Escape bricht ab. Der Text erscheint nicht in einem Fenster zum Abschreiben, sondern wird direkt in die Anwendung eingefuegt, die den Fokus hat, ob Browser, Editor oder Chatfeld.

Vor der Verschrifung laeuft eine Pruefung auf Stimme, die stille Strecken entfernt und dem Modell nur echte Sprache uebergibt. Genau dieser Punkt entscheidet ueber die Brauchbarkeit: Pausen, Nachdenken und ein Schluck Wasser werden nicht zu Reihen von Leerzeichen. Die ganze Kette ist Auswertung auf dem eigenen Rechner, und laut Projekt und Datenschutzerklaerung gehen bei gewoehnlicher Verschrifung weder Ton noch Text an die Betreuenden; das Netz wird nur fuer die Suche nach Aktualisierungen, das Laden von Modellen und die freiwillige Nachbearbeitung gebraucht.

Die Frage nach dem Modell

Die Modelle auf dem eigenen Rechner sind das eigentliche Gewicht. Die Unterlagen empfehlen seit langem zwei Wege, Whisper und Parakeet. Der erste kommt in Stufen Small, Medium, Turbo und Large, deckt viele Sprachen ab und kann eine Grafikkarte nutzen, was mit Groesse bezahlt wird, von einigen hundert Megabyte bis etwa eineinhalb Gigabyte. Der zweite ist auf den Prozessor zugeschnitten, laeuft schnell und bringt die Spracherkennung mit, was zu Rechnern ohne eigene Grafikkarte passt. Seit 0.10 kommt der Katalog aus einem eigenen Modellpaket, sodass die Auswahl mehr als diese beiden Linien zeigt, auch Modelle fuer Chinesisch und Japanisch, und die Oberflaeche nennt die Stufe je Sprache, die Geschwindigkeit und die Groesse, sogar ob ein Modell schon lokal liegt oder noch geladen werden muss.

Die Wahl liest sich deshalb wie eine Karte. Erst schauen, welche Stufe die eigene Sprache erreicht, dann ob Groesse und Geschwindigkeit passen, und erst danach zugreifen. Wer nur ein gewoehnliches Notebook hat, startet meist sinnvoller mit dem kleinen und schnellen Eintrag.

Der technische Grund ist Tauri: die Oberflaeche der Einstellungen nutzt React mit TypeScript, waehrend Systemanbindung, Tonverarbeitung und Auswertung auf der Rust Seite liegen. Das Projekt steht unter der MIT Lizenz, das Verzeichnis wurde im Februar 2025 angelegt und wird vom Entwickler gemeinsam mit der Gemeinschaft gepflegt. Der Autor hat einmal etwas Notierenswertes geschrieben: das Ziel sei nicht das staerkste Diktierwerkzeug, sondern das am leichtesten abzweigbare. Diese Haltung haelt die Struktur des Codes davon ab, zum Irrgarten zu werden, sodass niemand schon an der Tuer die Orientierung verliert.

Was noch holprig ist

Die Unterstuetzung von Wayland unter Linux war immer die schwache Stelle: in ein Feld zu schreiben braucht die Hilfe eines aeusseren Werkzeugs, und die Unterlagen im Verzeichnis sagen das auch. Der Weg beim Einfuegen traegt gelegentlich alte Zwischenablage mit, und der zuverlaessige Einfuegemodus traegt weiterhin das Etikett Versuch. Die beiden Tastenkombinationen mit Funktionstasten unter macOS gelten nur fuer die Tastatur des Herstellers. Die Modelle sind zudem nicht klein, wer knapp an Platte ist, muss erst Platz schaffen.

Eine Erwartung sollte man flach halten. Die Auswertung laeuft im Tempo des Rechners, der Text erscheint also nicht auf einen Klick. Es passt zu kurzen Saetzen, zum schnellen Ausschuetten von Gedanken und zu Lagen, in denen die Haende nicht lange tippen koennen. Wer mehrere Stunden Besprechungsaufnahme in einem Zug Wort fuer Wort verschriftet haben will, muss das Ergebnis weiterhin selbst gegenlesen.

Was Handy wert ist, haengt wenig an der Trefferquote. Es macht aus der Verschrifung von Sprache einen kleinen Dienst auf dem eigenen Rechner statt eine Sache der Wolke: kein Konto, kein Abonnement, keine Aufnahme, die das Haus verlaesst. Der Preis ist ein Rechner, der das Modell tragen kann.