Otter liefert eine Mitschrift, diese Tastatur einen Satz
Otter.ai nimmt Besprechungen und lange Gespräche auf, lädt den Ton hoch, schreibt ihn in der Cloud mit und gibt dir danach eine durchsuchbare Mitschrift, die an einem Konto hängt. Das ist eine echte Aufgabe, und es ist die Aufgabe, für die Otter gebaut wurde.
LocalType ist das nicht. Es ist eine Android-Tastatur mit einer Mikrofontaste. Es macht aus Sprache Text, während du schreibst, in das Feld, in dem du schreibst, und es nimmt keine Besprechungen auf, erzeugt keine Gesprächsmitschriften und hebt danach nichts auf.
Wenn du also brauchst, dass dir jemand das Protokoll abnimmt, ersetzt das keine Tastatur, und du kannst hier aufhören zu lesen. LocalType ist ein eigenständiges Produkt und steht in keiner Verbindung zu Otter.ai.
Der Teil, der sich wirklich übertragen lässt
Zieh die Besprechungsfunktionen ab, dann bleibt bei Otter im Kern übrig, dass Sprache zu Text wird. Unangenehm ist für viele Leute der Weg dorthin: Der Ton verlässt das Gerät, wird auf Servern verarbeitet, und das Ergebnis liegt in einem Konto.
Für alles außer aufgezeichneten Besprechungen lässt sich dieser Weg vermeiden. Spracherkennung ist Software, und sie kann auf dem Handy in deiner Hand laufen statt auf Hardware, die du nie sehen wirst. Genau das macht LocalType. Das Modell ist eine Datei in einem Speicher, den nur die App lesen kann, die Erkennung passiert dort, und es gibt nichts hochzuladen, weil es keinen Ort gäbe, an den es ginge.
Ein Konto existiert nicht. Keine Registrierung, keine Anmeldung, kein Profil, nichts, was die Tastatur mit einer Person verbindet. In dem Produkt ist keine Werbung und in ihm findet kein Tracking statt. Die Daten der App bleiben absichtlich außerhalb vom Cloud-Backup von Android, sie werden also auch auf diesem Weg nicht stillschweigend vom Gerät kopiert.
Wo sich die beiden in der Praxis überschneiden
Erstaunlich viel von dem, wofür Leute einen Transkriptionsdienst benutzen, ist gar keine Besprechung. Es ist:
- eine lange Nachricht diktieren, statt sie zu tippen
- einen Gedanken festhalten, bevor er weg ist, in der nächstbesten Notiz-App
- eine Mail auf dem Handy schreiben, ohne den Vorgang zu hassen
- dieselben Formularfelder ausfüllen, die du jede Woche ausfüllst
- ordentlich antworten, statt drei Wörter zu schicken, weil Tippen mühsam ist
Jede einzelne davon ist Tastaturarbeit und keine Aufnahmearbeit. Sie passiert in einer App, in der du schon bist, sie braucht den Text da, wo die Schreibmarke steht, und nach fünfzehn Sekunden ist sie vorbei. Dafür ein Transkriptionswerkzeug aufzumachen ist, als würde man für eine Rückfrage einen Besprechungsraum buchen.
LocalType deckt genau dieses Gebiet ab. Überall dort, wo eine Tastatur aufgeht, auf Handys wie auf Tablets ab Android 8.0.
Was es heißt, das lokal laufen zu lassen
Das Modell muss auf dem Gerät sein, es belegt also Speicherplatz und hält Arbeitsspeicher, solange es arbeitet. Das ist der tatsächliche Preis dafür, keinen Ton zu verschicken, und er verschwindet nicht.
Drei Größen kommen mit der App. Kompakt hat 60 MB und liefert am schnellsten Text, was zu einem älteren Handy passt. Standard hat 190 MB, ist die Empfehlung der App und für die meisten Geräte die richtige Antwort. Groß hat 539 MB und ist mit Dialekt und Hintergrundgeräuschen am genauesten, im Tausch gegen Wartezeit: Auf einem Testgerät mit 4 GB Arbeitsspeicher machte Standard aus 6,9 Sekunden Sprache in 4,1 Sekunden Text, und Groß braucht ungefähr doppelt so lange, wie du gesprochen hast.
Installiert ist immer nur eines, ein anderes auszuprobieren ersetzt es also, statt den Stapel zu erhöhen. Ein Modell zu laden ist zugleich das Einzige, wofür die App Internet braucht. Danach läuft das Diktieren mit abgeschalteter Verbindung.
Der Rest der App ist eine gewöhnliche Tastatur, und das ist Absicht. Autokorrektur und Wortvorschläge kommen aus einem Wörterbuch, das zur eingestellten Sprache passt, die üblichen Layouts sind da, QWERTZ und AZERTY eingeschlossen, und du kannst eigene Nachnamen und Fachbegriffe von Hand ergänzen. Diese Ergänzungen bleiben auf dem Gerät und werden dem Sprachmodell als Zusammenhang mitgegeben, die Namen, die du wirklich benutzt, kommen also mit der Zeit richtig geschrieben heraus. In Passwortfeldern schaltet sich das Mikrofon von selbst ab, das Riskanteste, was du versehentlich diktieren könntest, ist damit schlicht nicht diktierbar.
LocalType bewältigt achtzehn Sprachen mit einem mehrsprachigen Modell und erkennt pro Aufnahme, welche davon du sprichst, statt zu verlangen, dass du es vorher erklärst. Springst du zwischen Nachrichten von der einen in die andere, bleibt es dran. Legst du es auf eine einzige Sprache fest, bewegen sich Tastaturlayout, Wörterbuch und Diktiersprache als eines.
Über diese achtzehn schwankt die Genauigkeit, weil das Trainingsmaterial schwankt. Die weit verbreiteten Sprachen kommen am besten weg, und das gilt für jedes Sprachmodell, auch für die, die in der Cloud laufen.
Was Otter kann und LocalType nicht
Otter nimmt auf und behält eine Mitschrift, die du durchsuchen, wieder aufrufen und weitergeben kannst. Es kommt mit mehreren Sprechern in einem Gespräch zurecht. Es hängt sich an die Besprechungen, die du ohnehin führst, und erzeugt danach etwas, das eine Tastatur grundsätzlich nicht erzeugen kann: ein Dokument über ein Gespräch, an dem du beteiligt warst, ohne zu tippen.
LocalType erzeugt überhaupt kein Dokument. Es führt von Bauart her kein Archiv deiner Aufnahmen, keinen Verlauf zum Durchsuchen und keinen Begriff von einer Besprechung. Sobald die Wörter in dem Feld stehen, in dem du getippt hast, ist seine Arbeit fertig.
Wenn dein Problem Protokolle sind, Notizen aus Telefonaten oder Gespräche, die du ein halbes Jahr später durchsuchen musst, dann bleib bei etwas, das dafür gebaut ist. Was dir hier angeboten wird, ergibt nur für das alltägliche Schreiben Sinn.
Die Grenzen davon, das in einer Tastatur zu tun
Eine Tastatur schreibt in Schüben mit. Du sagst einen Satz oder einen Absatz, die Wörter landen, du machst weiter. Sie ist nicht dafür gebaut, in der Ecke eines Raumes zu sitzen und vierzig Minuten Gespräch aufzufangen, und sie dazu zu zwingen hieße, ein Werkzeug stur falsch einzusetzen.
Sie schreibt außerdem eine Stimme mit: deine, nah am Mikrofon, aufs Handy gerichtet. Eine Aufnahme mit vier Leuten um einen Tisch, von denen einige weggedreht sitzen, ist deutlich schwerer als jemand, der absichtlich diktiert, und die Modelle, die auf ein Handy passen, sind nicht die, die man sich dafür aussuchen würde.
Und sie hinterlässt nichts. Danach gibt es keine Datei, keine Mitschrift, die du im nächsten Quartal durchsuchst, keinen Zeitstrahl, wer was gesagt hat. Der Text ging in deine Nachricht, und damit war der Vorgang zu Ende. Genau das ist das Ziel, wenn du schreibst, und genau das falsche, wenn du dokumentierst.
Die Trennlinie verläuft also, genau besehen, gar nicht beim Datenschutz. Sie verläuft dort, wo entschieden wird, ob du diejenige bist, die absichtlich spricht.
Besprechungen, oder der Rest des Tages
Nimm einen Transkriptionsdienst für Besprechungen und Aufnahmen, wo der Wert in dem Dokument liegt, das er hinterlässt.
Nimm LocalType für das Schreiben, das du den ganzen Tag machst, wo du die Wörter in der Nachricht haben willst und sonst nirgends, und wo die Antwort auf die Frage, was mit deiner Stimme passiert ist, einfach lauten soll: Sie ist auf dem Handy geblieben.
Viele Leute benutzen am Ende beides, und daran ist nichts widersprüchlich. Das eine erledigt die Besprechungen, die du dokumentieren musst. Das andere erledigt die hundert Kleinigkeiten, die du lieber sagst als tippst, ohne dass eine davon das Gerät verlässt.