Warum überhaupt jemand danach sucht
Whisper ist ein Modell zur Spracherkennung. Bedeutsam wurde es nicht deshalb, weil es das Genaueste war, das je gebaut wurde, sondern weil man es herunterladen und auf gewöhnlicher Hardware laufen lassen konnte. Davor hieß ordentliche Mitschrift, den Ton an eine Firma zu schicken, der das Modell gehörte.
Wer es einmal auf einem Laptop laufen hatte, kam auf den naheliegenden nächsten Gedanken: Geschrieben wird bei mir auf dem Handy, warum schickt mein Handy meine Stimme also immer noch an einen Server?
Das ist die Frage unter der Suche. Sie ist keine Bewertung, und nichts hier ist als Kritik an den genannten Projekten gemeint. Mehrere davon sind sorgfältige Arbeit kleiner Teams mit offenem Code, und sie waren zuerst da.
Ein Handy ist kein Laptop
Whisper gibt es in Größen, und die, die auf Rechnern gelobt werden, sind groß. Das ist in Ordnung, wenn eine Grafikkarte da ist, reichlich Arbeitsspeicher und ein Lüfter.
Ein Handy hat ein paar Gigabyte, geteilt mit jeder anderen App, keine aktive Kühlung und einen Akku, den es zu schonen versucht. Jedes Projekt, das Whisper auf Android bringt, geht deshalb dieselben Kompromisse ein, ob es das dazusagt oder nicht:
- Ein kleineres Modell, also etwas weniger Genauigkeit als die Zahlen vom Rechner, die gern zitiert werden.
- Eine Wartezeit, nachdem du aufgehört hast zu reden, weil die Arbeit erst losgeht, wenn es etwas zu bearbeiten gibt.
- Speicherplatz, weil die Modelldatei auf dem Gerät liegen muss.
- Weniger Sprachen, weil Mehrsprachigkeit Größe kostet.
Wer Mitschrift auf dem Handy verspricht, die einer Arbeitsstation gleicht, beschreibt etwas anderes als das, was die Hardware tut. Die interessante Frage ist, welche Kompromisse eine bestimmte App gewählt hat.
Was es heute gibt
Whisper IME lässt Whisper auf dem Gerät laufen und meldet sich als Eingabemethode an, es lässt sich also von der Tastatur aus benutzen. Es steht unter der MIT-Lizenz und ist kostenlos, es braucht Android 9 oder neuer, und es lädt sein Modell vor der ersten Benutzung. Aufnahmen sind auf etwa eine halbe Minute am Stück begrenzt, das passt eher zu Sätzen und kurzen Nachrichten als zu langem Diktat.
Transcribro läuft ebenfalls auf dem Gerät, mit whisper.cpp, und liefert sowohl eine Tastatur als auch einen Spracherkennungsdienst im System, sodass andere Apps es aufrufen können. Es steht unter der ISC-Lizenz und ist kostenlos. Es kann Englisch.
Beide sind quelloffen, beide lassen den Ton auf dem Handy, und beide sind die Arbeit von Leuten, die wollten, dass es so etwas gibt. Wenn dir kostenlos und nachlesbar am wichtigsten ist, fang dort an und hör hier auf zu lesen.
Zuerst eine Tastatur
LocalType trifft aus demselben Ausgangsgedanken heraus andere Entscheidungen.
Es ist zuerst eine vollständige Tastatur und nicht eine Spracheingabe, die an eine angehängt wird. Autokorrektur, Wortvorschläge, ein Wörterbuch pro Sprache, QWERTZ, QWERTY und AZERTY dort, wo sie Landesstandard sind, ein Emoji-Satz, dein eigener Wortschatz. Das Mikrofon ist eine Taste auf dieser Tastatur, Diktieren ist also nichts, wohin du erst umschaltest.
Es bringt drei Modellgrößen mit und lässt dich den Kompromiss selbst wählen, statt ihn für dich zu treffen: 60 MB für Tempo auf müder Hardware, 190 MB als ausgewogene Voreinstellung, 539 MB, wenn Genauigkeit das Warten wert ist. Die Zahlen dahinter, gemessen auf einem Handy mit 4 GB Arbeitsspeicher: Das 190-MB-Modell machte aus 6,9 Sekunden Sprache in 4,1 Sekunden Text, während das größte ungefähr doppelt so lange braucht, wie du gesprochen hast. Auf dem Gerät bleibt ein Modell, ein Wechsel ersetzt die Datei also, statt eine weitere danebenzulegen.
Es deckt achtzehn Sprachen aus einem einzigen mehrsprachigen Modell ab und findet aus der Aufnahme heraus, welche du sprichst, statt aus einer Einstellung. Genau darauf hat LocalType sein Größenbudget verwendet, und das ist der deutlichste praktische Unterschied zu den Lösungen, die nur Englisch können.
Es wird als Produkt betreut und nicht als Nebenprojekt, was zählt, wenn auf einem Handymodell etwas kaputtgeht, das niemand getestet hat.
Es läuft ab Android 8.0 und reicht damit weiter zurück als manche Alternative.
Was dich das kostet
LocalType ist nicht quelloffen, und kostenlos ist es auch nicht. Das sind echte Nachteile gegenüber den Projekten oben, und sie wiegen am schwersten für genau die Leute, für die diese Projekte gebaut wurden.
Was du dafür bekommst, ist ein Produkt, das die ganze Aufgabe macht: eine Tastatur, die du den ganzen Tag benutzen kannst, ohne das Mikrofon anzufassen, Diktieren in achtzehn Sprachen darin eingebaut, und jemanden, bei dem du dich beschweren kannst, wenn es sich danebenbenimmt.
Was all diese gemeinsam haben
Wofür du dich auch entscheidest, die wichtige Eigenschaft ist dieselbe, und sie ist der Grund, überhaupt eines davon zu nehmen.
Dein Ton verlässt das Gerät nicht. Die Erkennung ist eine Datei auf deinem Handy, die auf deinem Handy arbeitet. Es gibt kein Konto, es wird nichts hochgeladen, und sobald das Modell an Ort und Stelle ist, ist eine Verbindung ohne Bedeutung: Flugzeuge, Tunnel, Keller und Auslandsreisen mit abgeschalteten Daten verhalten sich alle gleich.
Für LocalType im Besonderen: Das Modell liegt im eigenen Speicher der App, die Daten der App bleiben absichtlich außerhalb vom Cloud-Backup von Android, in Passwortfeldern schaltet sich das Mikrofon selbst ab, und im Produkt ist weder Werbung noch Tracking. Internet wird für genau einen Zweck angefragt, nämlich um das Modell zu laden, das du ausgesucht hast. Ein Archiv deiner Aufnahmen entsteht zu keinem Zeitpunkt: Der Ton wird zu Text in dem Feld, in dem du getippt hast, und nichts überlebt diesen Vorgang. Wörter, die du dem Wörterbuch hinzufügst, bleiben ebenfalls auf dem Gerät.
Wie du prüfst, ob eine App wirklich auf dem Gerät läuft
Reichlich Apps nennen sich privat, lokal oder sicher, ohne genau zu sagen, wo der Ton verarbeitet wird. Es gibt einen Test, der die Sache in unter einer Minute klärt und kein Fachwissen braucht.
Installier die App und lass sie alles herunterladen, was sie beim ersten Start haben will. Dann schalte das Handy in den Flugmodus, WLAN ebenfalls aus, und diktiere einen Satz.
Erscheinen Wörter, ist die Erkennung auf dem Gerät passiert. Daran führt kein Weg vorbei, denn es war nichts erreichbar. Bleibt es hängen, läuft es ab oder zeigt es einen Fehler über eine Verbindung, dann ging der Ton irgendwohin, egal was auf der Beschreibungsseite stand.
Manche Apps laden ihr Modell erst bei der ersten Benutzung, ein Fehlschlag davor beweist also nichts. Und eine App kann wirklich auf dem Gerät arbeiten und trotzdem aus anderen Gründen mit einem Server reden, etwa wegen Lizenzprüfungen oder Aktualisierungen, was eine andere Frage ist als die, wohin deine Stimme geht.
Mach diesen Test mit allem aus dieser Liste, LocalType eingeschlossen. Uns ist lieber, du prüfst, als dass du uns glaubst.
Wo du nachsehen solltest
Wenn du den Code ansehen und nichts bezahlen willst, sind Whisper IME und Transcribro die Stellen zum Nachschauen, und dass sie nur Englisch können, ist kein Problem, wenn du auf Englisch schreibst.
Wenn du Diktieren in achtzehn Sprachen in einer Tastatur willst, die du ohnehin benutzen würdest, ohne sie aus Teilen zusammenzusetzen, ist LocalType dafür da. Dasselbe Prinzip darunter, verpackt als Produkt statt als Baustein.