Hex ist ein lokales Diktierwerkzeug fuer macOS, Windows und Linux, Fassung 3.3.0, unter der MIT-Lizenz offen von Anomaly, dem Team hinter OpenCode, ueberwiegend in Rust geschrieben. Die Bedienung schrumpft auf drei Zuege: Hotkey halten, sprechen, loslassen. Die Transkription laeuft auf dem Rechner, und der Text wird direkt in das Feld mit dem Fokus eingefuegt. Kein Dialog erscheint, und nichts bleibt in der Zwischenablage liegen. Der erste Start laedt ein Sprachmodell herunter, danach braucht das Diktieren kein Netz mehr.

Die Luecke, die es schliesst, ist nicht die Genauigkeit. Es ist das Hochladen, das Warten und das Bestaetigen, die frueher zwischen dem letzten Wort und dem geschriebenen Satz lagen. Genau die fallen weg. Was bleibt, ist eine gehaltene Taste und Text dort, wo die Schreibmarke schon stand.

Loslassen, und die Woerter stehen schon da

Fruehes Diktieren arbeitete nach dem Muster aufnehmen-dann-rechnen: die App sammelte Ton, solange man sprach, und begann erst nach dem Loslassen. Seit Fassung 2.3 dekodiert Hex waehrend des Sprechens, sodass das Loslassen nur noch das letzte Stueck abschliesst. Die Zahlen des Projekts: ein Diktat von zwei Minuten fiel auf einer RTX 5070 Ti von 0.9 Sekunden auf 0.1, auf einem MacBook Air M4 von 2.8 Sekunden auf 0.1. Dieser Abstand entscheidet, ob das Werkzeug etwas fuer gelegentlich ist oder etwas, das die Haende von der Tastatur laesst.

Ein paar Details zeigen, wo die Kompromisse liegen. Ein Tippen unter 300 Millisekunden zaehlt nicht als Diktat. Zweimal tippen auf den Hotkey startet eine fortlaufende Aufnahme, ein weiterer Druck beendet sie. Das letzte Ergebnis laesst sich erneut einfuegen. Escape bricht nicht ab, denn gesprochene Woerter werden immer geliefert.

Ein Katalog, bezahlt in Sprachen und Kosten

Die lokalen Transkriptionseinstellungen legen die Kandidaten nebeneinander, und jede Karte nennt Groesse, Zahl der Sprachen und gemessene Geschwindigkeit, sodass der Preis jeder Wahl sichtbar ist. Parakeet Unified English zielt auf englisches Streaming bei etwa 731MB, nennt das 163-Fache der Echtzeit und eine Fehlerrate von 1.60 Prozent in eigenen Tests. Whisper large-v3-turbo deckt ueber hundert Sprachen bei 886MB ab und nimmt eigenes Vokabular an. Cohere Transcribe kennt vierzehn Sprachen, belegt 2.4GB und liefert 1.27 Prozent Fehlerrate. Fuer Chinesisch gibt es zwei leichtere Optionen, Qwen3-ASR 0.6B und SenseVoice Small.

Auch Modelle ausserhalb des Katalogs gehen: eine GGUF-Datei importieren oder ein Gewichtsset weiterverwenden, das schon im lokalen Hugging-Face-Cache liegt. Unterstuetzt das gewaehlte Modell die aktuelle Sprache nicht, sagt Hex das deutlich und meldet den Wechsel ins Englische, statt still eine Seite falscher Zeichen zurueckzugeben. Jedes Modell merkt sich zudem die zuletzt genutzte Sprache.

Andere App, andere Regeln

Der eigentliche Aerger beginnt nach der Transkription. Dasselbe Wort muss im Chatfenster verstanden, im Terminal als Befehl geschrieben und im Editorcomment an der Codeform gehalten werden. Hex loest das mit Modi: ein Regelsatz wird an eine App im Vordergrund oder an eine Website gebunden und greift beim Wechsel, ein globaler Modus faengt den Rest, und Chat und Terminal tragen je einen eigenen.

Am nuetzlichsten ist die Korrekturliste, die open code auf OpenCode festnagelt und die Namen richtig schreibt, die immer falsch gehoert werden. Sie ersetzt nicht nur hinterher, sie speist das Modell als Erwartung. Darueber liegt optional eine OpenCode-Umschreibung: App-Name, aktuelle Domain und Transkript gehen an das konfigurierte Modell, und ein fluessigerer Absatz kommt zurueck. Hex startet OpenCode nicht selbst, laeuft es nicht, gibt es eine Zeile Hinweis. Scheitert die Umschreibung, bleiben lokales Transkript und bereits angewandte Korrekturen erhalten.

Nach dem Termin steht der Text schon auf zwei Spuren

Zwei Dinge im Versuchsbereich verdienen Erwaehnung. Die Meeting-Notizen merken, wenn man in Zoom, Google Meet, Teams oder Slack telefoniert, und eine kleine Kapsel fragt zuerst, sodass nichts aufnimmt, bevor man zustimmt. Waehrend der Aufnahme gehen Systemton und eigenes Mikrofon auf getrennte Spuren, wodurch das Transkript wie ein Gespraech liest. Am Ende laesst sich Markdown exportieren, und auf einem Mac kann ein lokales Modell Titel und Zusammenfassung beisteuern.

Das andere ist die Annotation: waehrend der Bildschirmaufnahme dieselbe Taste halten und im Bild zeichnen, waehrend man spricht, wobei Schluesselbilder, Striche und Transkript gemeinsam in der Zwischenablage landen. Beides liegt noch im Versuchsbereich, die Form wird sich also aendern.

Die Oeffnungen fuer Agenten

Die Haelfte des Werts von Hex 3.3.0 steckt nicht in der Oberflaeche. Die Kommandozeile startet ein Diktat, wechselt Modelle, durchsucht den Verlauf nach Zeit oder App und ergaenzt Vokabeleintraege, mit Ausgabe als JSON oder Markdown. Ein schreibgeschuetzter MCP-Zugang legt Verlauf und Meeting-Notizen einem externen Coding-Agenten offen. Eine lokale HTTP-Schnittstelle und ein TypeScript-SDK runden es ab. Mit eigenen, als Code geschriebenen Umformungsregeln fliesst Gesprochenes direkt in die eigene Kette, statt in einem Textfeld zu warten.

Die Grenzen, klar benannt

Beim Datenschutz lohnt Genauigkeit. Hex behaelt Diktierton standardmaessig nicht, aber erfolgreich eingefuegter Text bleibt, sieben Tage lang, und ab zehntausend Eintraegen oder 16MiB gehen die aeltesten zuerst. Nichts zu behalten ist eine Option, ein Klick loescht alles. Diagnoseprotokolle koennen Transkripte und App-Namen enthalten, werden aber nicht hochgeladen. Text verlaesst den Rechner nur, wenn eine Umschreibung aktiv ist, und dann zum selbst konfigurierten Anbieter.

Die Plattformvorgaben sind hart. macOS heisst Apple-Silicon, System 15 oder neuer. Windows und Linux sind noch Beta; der Windows-x64-Bau braucht einen Prozessor nach 2013 mit AVX2, und GPU-Inferenz braucht einen Vulkan-1.2-Treiber, sonst geht es auf einem langsamen CPU-Pfad weiter.

Unter Linux haengen globaler Hotkey und Einfuegen davon ab, ob die Arbeitsumgebung das Protokoll unterstuetzt, und manche Wayland-Compositor wollen den Befehl von Hand gebunden. Beitraege von aussen nimmt das Repository auch nicht an: Probleme gehen an die Agenten des Teams, und der Code ist offen, liest sich aber eher zum Studieren als zum Aendern.

Der Wert von Hex 3.3.0 liegt nicht in der Laenge der Funktionsliste. Es macht Sprechen zu einem lokalen Dienst, der jederzeit aufgerufen werden kann: ein Hotkey fuer Menschen, ein Befehl und ein MCP-Aufruf fuer Programme. Wer taeglich viel Text in den Rechner bringt und die Stimme nicht an einen Server geben will, hat ein paar hundert Megabyte gut investiert; wer es ohne Nachdenken will, steigt die Stufen von Modellen, Modi und Rechten trotzdem hinauf.

Fassung

3.3.0, MIT-Lizenz, Quelltext auf GitHub.

Systeme

macOS auf Apple Silicon, 15 oder neuer; Windows und Linux in Beta.

Modelle

Je nach Wahl 700MB bis 2.4GB, der erste Start laedt eines.

Netz

Fuer das Diktieren nicht noetig, sobald das Modell liegt.