Spracherkennung lokal statt in der Cloud

Ein Angebot erklären dauert gesprochen zwei Minuten. Getippt eine Viertelstunde. Deshalb landet vieles gar nicht erst schriftlich: die kurze Einordnung nach dem Kundentermin, das Protokoll der Besprechung, die Notiz, warum man sich damals so entschieden hat. Diktieren wäre die naheliegende Antwort. Nur wandert die Aufnahme bei den meisten Diensten dafür auf einen fremden Server. Genau daran scheitert es in vielen Unternehmen, spätestens wenn Kundennamen fallen. Spracherkennung lokal auf dem eigenen Rechner ist deshalb kein Spielzeug, sondern der Unterschied zwischen „ist notiert“ und „mache ich später“.

Spracherkennung lokal: die Rechenleistung liegt längst im Schreibtisch

Was sich in den letzten Jahren geändert hat, ist nicht die Qualität der Erkennung allein, sondern wo sie stattfinden kann. Ein aktueller Bürorechner mit ordentlicher Grafikkarte transkribiert Sprache schneller, als sie gesprochen wird. Es braucht dafür kein Rechenzentrum mehr, nur ein Modell, das lokal läuft, und eine Software, die es unauffällig einbindet.

Wir haben das für uns selbst gebaut und nutzen es täglich: VoxCast. Tastenkürzel drücken, sprechen, loslassen: Der Text steht im aktiven Fenster, egal ob dort das Mailprogramm, ein Ticketsystem oder ein Editor offen ist. Kein Fenster wechseln, kein Kopieren.

Dazu zwei Dinge, die im Alltag mehr bringen als das reine Diktat:

• Besprechungen mitschreiben. VoxCast nimmt Ton aus Teams, Zoom oder Meet samt System-Audio auf und transkribiert ihn. Die Mitschrift entsteht nebenbei, statt dass sich jemand aus dem Gespräch ausklinkt.
• Dateien umwandeln. Aufnahmen und Dokumente werden per Rechtsklick zu sauberem Text, aus dem sich weiterarbeiten lässt.

Die Erkennung läuft dabei vollständig auf dem eigenen Gerät, in rund 99 Sprachen. Für Windows ist VoxCast ein kostenloser Download.

Drei Stellen, an denen es sich im Alltag rechnet

Diktieren ist kein Selbstzweck. Es lohnt sich dort, wo heute etwas gar nicht aufgeschrieben wird, weil das Tippen länger dauert als der Gedanke:

Nach dem Kundentermin. Zwei Minuten sprechen im Auto, und im CRM steht, was besprochen wurde, wer wofür zuständig ist und wann nachgefasst wird. Die Alternative ist der Zettel, der bis Freitag liegen bleibt.

Im Support. Wer telefoniert und gleichzeitig tippt, macht beides halb. Das Ticket entsteht nach dem Gespräch in einem Zug, während die Details noch präsent sind, und ist ausführlicher als die drei Stichworte, die es sonst geworden wären.

In der Technik. Ein Servicetechniker mit öligen Händen tippt keinen Bericht auf dem Tablet. Er spricht ihn, sieht den Text sofort und korrigiert eine Zeile, statt drei Absätze zu schreiben.

Das Muster ist immer dasselbe: Es entsteht Text, den es vorher nicht gab. Nicht schneller getippter Text, sondern Dokumentation, die sonst schlicht gefehlt hätte.

Wo der eigene Rechner nicht reicht

Ehrlich bleiben gehört dazu: Bei starkem Dialekt, mehreren Sprechern durcheinander oder schlechtem Mikrofon wird auch lokale Erkennung ungenau, und ein Cloud-Dienst wäre dann auch nicht besser. Und wer im Team arbeitet, will die Rechenlast nicht auf jedem Notebook haben. Dafür gibt es die Server-Variante: Ein Rechner im eigenen Netz übernimmt die Transkription für alle, die Aufnahme bleibt trotzdem im Haus.

Häufige Fragen

Was heißt „lokal“ hier genau?

Aufnahme und Erkennung passieren auf dem Gerät, auf dem gesprochen wird. Es wird kein Ton an einen Dienst übertragen und keine Sitzung angelegt. Wer optional eine KI-Nachbearbeitung des Textes einschaltet, entscheidet das bewusst und mit einem eigenen Zugang.

Ist das datenschutzrechtlich unproblematisch?

Der Teil, der bei Diensten die Prüfung schwer macht, entfällt: die Übermittlung an einen Auftragsverarbeiter, oft außerhalb der EU. Was bleibt, ist die Frage, ob Sie ein Gespräch überhaupt mitschneiden dürfen: Bei Besprechungen brauchen Sie die Einwilligung der Teilnehmer, egal wo die Erkennung läuft.

Und wenn wir lieber einen Cloud-Dienst nutzen?

Dann ist das eine legitime Entscheidung. Cloud und eigener Betrieb sind für uns gleichwertige Wege. Wir suchen den, der zu Ihren Daten, Ihrem Team und Ihrem Budget passt. Nur sollte es eine Entscheidung sein und keine Verlegenheit.

Wie wir das angehen

VoxCast ist ein kleines Beispiel für etwas, das wir größer bauen: KI-Systeme, die im Unternehmen selbst laufen, vom Assistenten mit Zugriff auf eigene Dokumente bis zur Erkennung auf einem Server im eigenen Netz. Die Bedingung ist immer dieselbe: Es muss sich in den Arbeitsalltag einfügen, statt ihn zu unterbrechen.

Wenn bei Ihnen viel gesprochen und wenig geschrieben wird: Erzählen Sie uns, wo der Text am Ende landen soll: im Ticket, im CRM, im Protokoll. Daran entscheidet sich, ob ein Werkzeug reicht oder eine Anbindung dazugehört. Sprechen Sie uns an.