Lesezeit: 5 MinutenArtikel vorlesen lassen

Fangen wir mit dem Offensichtlichen an: Das Tool, um das es hier geht, heißt Handy. Und nein, es hat nichts mit dem Ding in Deiner Hosentasche zu tun. Der Entwickler ist Amerikaner, für ihn heißt „handy“ schlicht „praktisch“. Für uns klingt der Name so, als würde jemand eine Kaffeemaschine „Auto“ nennen. Damit müssen wir jetzt gemeinsam leben.

Denn was dahintersteckt, lohnt den Blick: eine kleine Desktop-Anwendung, die gesprochene Sprache in Text verwandelt. Du drückst eine Tastenkombination, sprichst, lässt los, und der Text landet genau dort, wo Dein Cursor gerade blinkt. Im Mail-Fenster, im Ticketsystem, im Formular des Sportverbands, im Chat. Und das Entscheidende: Deine Stimme geht dabei nirgendwohin. Kein Server, kein Konto, keine Cloud.

Warum das gerade jetzt interessant ist

Spracheingabe ist nicht neu. Neu ist, dass die Modelle inzwischen klein genug sind, um auf einem normalen Notebook zu laufen. Vor drei Jahren hätte jede halbwegs brauchbare Transkription den Umweg über einen Rechner in Virginia oder Frankfurt genommen. Heute reicht ein Laptop mit ein paar Gigabyte freiem Speicher.

Das ist mehr als eine technische Randnotiz. Wenn Du beruflich mit Personaldaten, Mitgliederdaten oder Gesprächsnotizen zu tun hast, ist „die Aufnahme verlässt mein Gerät nicht“ kein Nice-to-have, sondern die halbe Datenschutzdiskussion. Ich habe schon in Sitzungen gesessen, in denen genau an dieser Stelle ein sonst sinnvolles Werkzeug beerdigt wurde. Bei Handy ist die Antwort strukturell und nicht nur ein Versprechen in einer Datenschutzerklärung: Es gibt schlicht keinen Cloud-Pfad in der Anwendung.

Die Idee kam aus einem gebrochenen Finger

Der Entwickler CJ Pais hat sich den Finger gebrochen. Mit Schiene tippen ist mühsam, also suchte er ein Diktierwerkzeug, das er selbst anpassen kann. Gefunden hat er nichts, was gleichzeitig offen, offline und schlicht war. Also hat er es gebaut.

Diese Herkunft merkt man dem Tool an, und zwar im positiven Sinn. Handy versucht gar nicht, die beste Diktier-App der Welt zu sein. Es will die am einfachsten veränderbare sein. Der Code ist bewusst überschaubar gehalten, damit andere ihn forken und für ihre Anforderungen umbauen können. Inzwischen hat das Projekt über 20.000 Sterne auf GitHub und eine Community, die regelmäßig Verbesserungen beisteuert.

Barrierefreiheit war der Anlass, nicht das Marketing-Etikett. Das ist ein Unterschied, den man selten sieht.

Was Handy kann

Die Bedienung ist in zwei Sätzen erklärt. Du legst eine Tastenkombination fest und wählst zwischen zwei Modi: gedrückt halten und sprechen (Push-to-Talk) oder einmal drücken, sprechen, wieder drücken. Nach dem Loslassen rechnet das Modell kurz, dann steht der Text im aktiven Feld.

Dazwischen passiert noch etwas Unsichtbares: Eine Sprachaktivitätserkennung filtert Stille und Pausen heraus, bevor überhaupt transkribiert wird. Das spart Rechenzeit und verhindert einen Teil der Fehler, die entstehen, wenn ein Modell aus dem Nichts Text erfinden will.

Handy läuft auf Windows, macOS (auch auf Apple Silicon) und Linux. Unter macOS kannst Du es über Homebrew installieren, unter Windows über winget, wobei beide Pakete nicht vom Projekt selbst gepflegt werden. Eine App fürs Smartphone gibt es nicht. Womit wir beim zweiten Teil des Namenswitzes wären: Handy läuft auf allem außer auf einem Handy.

Die Software selbst ist winzig. Was Platz braucht, sind die Sprachmodelle, je nach Auswahl zwischen einem halben und einem ganzen Gigabyte. Die lädst Du einmal herunter, danach arbeitet die Anwendung tatsächlich ohne Internetverbindung.

Wähle erst das Modell, dann urteile

Hier liegt der Punkt, an dem die meisten Erfahrungsberichte auseinandergehen, und deshalb ausführlicher: Handy ist nur die Hülle. Die eigentliche Arbeit macht ein Sprachmodell, das Du selbst aussuchst.

Parakeet V3 von NVIDIA ist voreingestellt und für uns die naheliegende Wahl. Es unterstützt 25 europäische Sprachen, Deutsch inklusive, läuft auf der CPU und ist schnell. Zwei Eigenheiten solltest Du kennen: Es erkennt die Sprache automatisch und lässt sich nicht auf eine festlegen. Und es schreibt Zahlen aus. Aus „15 Uhr“ wird „fünfzehn Uhr“. Wenn Du viel mit Terminen, Beträgen oder Aktenzeichen diktierst, ist das ein echter Nachbearbeitungsaufwand.

Whisper von OpenAI gibt es in mehreren Größen und deckt weit über 90 Sprachen ab. Du kannst die Sprache fest vorgeben, und Zahlen kommen als Ziffern heraus. Dafür ist es langsamer, profitiert stark von einer Grafikkarte und neigt bei Stille gelegentlich zu Halluzinationen, also erfundenen Satzfetzen.

Mein Rat: Fang mit Parakeet V3 an und wechsle nur, wenn Dich konkret etwas stört. Die Modelle lassen sich in den Einstellungen mit zwei Klicks tauschen, das ist keine Grundsatzentscheidung fürs Leben.

Wo es im Alltag wirklich hilft

Nicht überall. Beim Formulieren eines heiklen Absatzes bin ich mit der Tastatur schneller, weil ich beim Tippen denke. Aber es gibt Situationen, in denen Sprechen deutlich überlegen ist:

Lange Fließtexte, bei denen Du ohnehin schon weißt, was Du sagen willst. Die dritte Mail des Tages, die dieselbe Sachlage erklärt wie die beiden davor. Notizen unmittelbar nach einem Gespräch, solange die Details noch frisch sind. Und alles, wo Deine Hände gerade anderes tun oder nicht wollen.

Genau dieser letzte Punkt ist der wichtigste und wird am seltensten erwähnt. Für Menschen mit motorischen Einschränkungen, mit Sehnenscheidenentzündung oder einfach mit einem eingegipsten Arm ist Spracheingabe kein Produktivitäts-Gimmick, sondern der Zugang zum Rechner. Dass so ein Werkzeug kostenlos, quelloffen und ohne Konto verfügbar ist, halte ich für den eigentlichen Wert des Projekts.

Was Du nicht erwarten solltest

Ganz ehrlich? Handy ist kein poliertes Produkt, und das will es auch nicht sein. Ein paar Dinge, die Dir sonst nach zwei Tagen auffallen:

Zwischen „Taste loslassen“ und „Text steht da“ vergehen je nach Rechner und Modell ein paar Sekunden. Das ist kein Live-Untertitel, sondern eine kurze Denkpause. Man gewöhnt sich daran, aber man merkt es.

Der Text kommt roh heraus. Keine Formatierung, sparsame Zeichensetzung, keine stilistische Glättung. Kommerzielle Werkzeuge wie Wispr Flow schieben da noch ein Sprachmodell hinterher, das aus Deinem Gestammel einen schönen Absatz macht. Handy transkribiert, mehr nicht. Es gibt zwar eine optionale Nachbearbeitung über ein Sprachmodell, aber wenn Du dafür einen Cloud-Dienst einbindest, ist die Offline-Eigenschaft dahin. Das solltest Du bewusst entscheiden.

Und das Projekt ist noch vor Version 1.0. Es erscheinen regelmäßig Updates, es werden regelmäßig Fehler gefunden. Wenn Du Software brauchst, die seit fünf Jahren unverändert funktioniert, bist Du hier falsch.

Kostenlos ist es übrigens wirklich. MIT-Lizenz, kein Abo, keine Wortkontingente, kein Konto. Finanziert wird die Entwicklung über GitHub Sponsors und Spenden. Wenn Dir das Werkzeug etwas bringt, weißt Du also, wo Du Danke sagen kannst.

So kommst Du rein

Drei Dinge entscheiden darüber, ob Du nach einer Woche noch diktierst oder wieder tippst.

Erstens der Shortcut. Nimm eine Kombination, die Du blind triffst und die keine andere Anwendung belegt. Wenn Du erst nachdenken musst, welche Tasten es waren, greifst Du zur Tastatur.

Zweitens das Mikrofon. Der Unterschied zwischen einem eingebauten Notebook-Mikro und einem halbwegs ordentlichen Headset ist bei der Transkription größer als bei einer Videokonferenz. Schlechtes Audio erzeugt Fehler, Fehler erzeugen Korrekturaufwand, und Korrekturaufwand bringt Dich zurück zur Tastatur.

Drittens die Erwartung. Sprich in ganzen Sätzen und mach am Ende eine kurze Pause, statt zu murmeln und zu korrigieren. Diktieren ist eine eigene Fertigkeit. Die ersten Tage fühlen sich ungelenk an, danach wird es deutlich besser.

Und jetzt?

Ich glaube nicht, dass Spracheingabe die Tastatur ersetzt. Ich glaube aber, dass die meisten von uns aus Gewohnheit tippen, auch da, wo Sprechen schneller und angenehmer wäre. Und wenn ein Werkzeug nichts kostet, nichts von Dir wegschickt und in zehn Minuten eingerichtet ist, ist die Hürde zum Ausprobieren angenehm niedrig.

Wie hältst Du es mit dem Diktieren? Nutzt Du es regelmäßig, hast Du es mal versucht und wieder verworfen, oder ist der Gedanke, mit dem Rechner zu sprechen, für Dich einfach nichts? Schreib es gern in die Kommentare, mich interessiert vor allem, woran es bei denen gescheitert ist, die es aufgegeben haben.

Und denke dran: Bleib produktiv!