Der Unterschied in einer Zeile
Ein Sprachassistent ist ständig verfügbar, also muss etwas auf den Augenblick lauschen, in dem du ihn willst.
Das Diktat ist nicht verfügbar, bis du danach fragst. Du drückst eine Taste, das Mikrofon geht auf, du sprichst, es geht zu.
Fast jede Sorge, die Leute daran hängen, mit einem Handy zu reden, gehört zur ersten Bauweise und nicht zur zweiten, und deshalb sind zwanzig Sekunden Aufmerksamkeit für diese Unterscheidung gut angelegt.
Wie ein Weckwort tatsächlich arbeitet
Der Mechanismus ist weniger finster, als der Ausdruck "hört immer zu" nahelegt, und auch weniger belanglos, als Hersteller andeuten.
Ein kleiner Erkenner läuft durchgehend und vergleicht den eingehenden Klang mit einem einzigen kurzen Muster: der Weckwendung. Er ist mit Absicht winzig, er erkennt praktisch nichts anderes, und es gibt ihn, um eine einzige Frage zu beantworten, nämlich ob genau diese Silben eben vorgekommen sind. Alles andere, was er hört, wird verworfen, während es ankommt.
Glaubt er, die Wendung gehört zu haben, startet das eigentliche System, und erst an dieser Stelle kommt eine richtige Erkennung ins Spiel.
Der Erkenner muss tatsächlich die ganze Zeit Klang verarbeiten, die Sorge ist also nicht ausgedacht. Und er schreibt deine Gespräche trotzdem nicht mit, weil er es nicht kann: Er ist ein Mustervergleicher für eine Wendung und keine Spracherkennung.
Fehlauslösungen sind der unangenehme Teil. Etwas, das nah genug klingt, startet den Assistenten, und dann wird ein Fetzen von dem, was gerade gesagt wurde, so behandelt, als hättest du danach gefragt.
Wie das Diktat stattdessen arbeitet
Es gibt keinen Erkenner, weil es nichts zu erkennen gibt.
Android zeigt eine Anzeige, sobald irgendeine App das Mikrofon offen hat, du kannst den Zustand also sehen, statt ihn zu erschließen. Wenn du aufhörst, geht es wieder zu.
Das ist keine Datenschutzfunktion, die man dem Entwurf angeschraubt hat. Es ist schlicht, was eine Tastatur ist: Du hast den Bildschirm ohnehin schon berührt, um zu schreiben, es gibt also keinen Grund, auf einen Zuruf zu lauschen.
Praktisch heißt das, dass das Diktat überhaupt keinen Dauerzustand hat. Zwischen dem Augenblick, in dem du aufhörst zu sprechen, und dem nächsten Tastendruck läuft an dieser Funktion nichts.
Wofür das eine und das andere da ist
Viele Leute benutzen beides und haben von beidem mehr, wenn sie wissen, was was ist.
Ein Assistent antwortet und handelt. Wie wird das Wetter, stell einen Wecker, ruf jemanden an, spiel etwas, mach das Licht aus. Er braucht Wissen über die Welt und Zugang zu deinen Diensten, und deshalb kann er meistens nicht vollständig auf dem Gerät laufen.
Das Diktat schreibt auf, was du gesagt hast. Das ist die ganze Funktion. Es antwortet nicht, schlägt nichts nach, fasst nichts zusammen und entscheidet nichts. Klang hinein, Wörter heraus, in das Feld, in dem deine Schreibmarke stand.
Diese Enge ist der Grund, warum das Diktat überhaupt vor Ort laufen kann. Einen Satz aufzuschreiben, den du absichtlich gesprochen hast, ist eine begrenzte Aufgabe, bei der alles Nötige schon da ist. Eine beliebige Frage zu beantworten ist das nicht.
Warum Leute die beiden verwechseln
Die Verwechslung ist nachvollziehbar.
Beides wird durch Sprechen ausgelöst, es fühlt sich also nach derselben Geste an. Manche Handys setzen eine Assistententaste neben oder in die Tastatur, was die Grenze weiter verwischt. Und dasselbe Wort, "Sprache", wird für beides in jedem Einstellungsmenü benutzt, das je geschrieben wurde.
Die Verwechslung kostet etwas Echtes. Leute, die gern diktieren würden, meiden es, weil sie glauben, es setze ein dauernd offenes Mikrofon voraus, und Leute, die sich um Assistenten sorgen, schalten manchmal das Diktat ab, was an dem, was sie beunruhigt hat, überhaupt nichts ändert.
Warum die Unterscheidung für den Ort der Verarbeitung zählt
Die beiden Kategorien sind aus einem technischen Grund in verschiedene Richtungen gegangen.
Ein Assistent muss für fast alles Wissenswerte einen Server erreichen. Das Wissen liegt nicht auf deinem Handy, dein Kalender, deine Musik und deine Nachrichten wohnen in Diensten, und die Antwort hängt vom Zustand der Welt in diesem Augenblick ab. Verarbeitung vor Ort löst das nicht, egal wie leistungsfähig die Hardware wird.
Das Diktat hat die entgegengesetzte Form. Alles, was es braucht, ist schon da: deine Stimme, und ein Modell, das aus Klang Wörter macht. Nichts an dieser Aufgabe verlangt Wissen über irgendetwas jenseits des Satzes, den du eben gesagt hast.
Deshalb gibt es Diktieren auf dem Gerät als ernsthafte Produktgattung und Assistenten auf dem Gerät weitgehend nicht. Die Enge, die manche als Beschränkung sehen, ist genau das, was es möglich macht, die ganze Sache auf dem Gerät zu lassen.
Was du auf deinem eigenen Handy prüfst
Zwei Minuten, und du weißt genau, was läuft.
Sieh nach, welche Apps die Berechtigung fürs Mikrofon haben, und getrennt davon, ob eine Weckwortfunktion in deinen Handy- oder Assistenteneinstellungen eingeschaltet ist. Das sind verschiedene Schalter, und einen davon abzuschalten wirkt sich auf den anderen nicht aus.
Beobachte die Mikrofonanzeige im gewöhnlichen Gebrauch. Erscheint sie, während du nicht absichtlich mit etwas sprichst, sagt dir das mehr als jede Erklärung.
Und sieh nach, was passiert, wenn du die Diktierfunktion einer Tastatur benutzt: Die Anzeige sollte auftauchen, wenn du die Taste drückst, und verschwinden, wenn du fertig bist. Bleibt sie an, lohnt sich ein genauerer Blick.
Diktat, ohne Assistent darin
LocalType diktiert, und im Produkt ist nirgends ein Assistent.
Das Mikrofon geht auf, wenn du die Taste auf der Tastatur drückst, und zu, wenn du aufhörst. Es gibt kein Weckwort, nichts, was im Hintergrund läuft, und nichts, was zwischen zwei Diktaten zuhört. Es beantwortet keine Fragen, schreibt keinen Text an deiner Stelle und handelt nicht nach dem, was du gesagt hast. Es schreibt deine Wörter auf und hört auf.
Erkannt wird auf dem Handy, aus einem Sprachmodell in einem Speicher, den nur die App lesen kann, der Ton wird also auch während der offenen Zeit nirgendwohin übertragen. Internet wird für genau eine Sache benutzt, nämlich um das Modell zu holen, das du aussuchst, und danach nie wieder. Es gibt kein Konto, keine Werbung, kein Tracking im Produkt und kein Archiv deiner Aufnahmen. Die Daten der App bleiben absichtlich außerhalb vom Cloud-Backup von Android, und in Passwortfeldern erscheint das Mikrofon gar nicht.
Drei Modellgrößen mit 60, 190 und 539 MB lassen dich Tempo gegen Genauigkeit setzen, mit 4,1 Sekunden für 6,9 Sekunden Sprache in der mittleren Einstellung auf dem Testgerät mit 4 GB. Achtzehn Sprachen deckt ein mehrsprachiges Modell ab, aus der Aufnahme bestimmt statt aus einem Menü, und die übrige Zeit ist es eine gewöhnliche Tastatur mit Autokorrektur, Layouts und Emoji.
Beides behalten, jedes für seine Aufgabe
Wenn dich ein Gerät stört, das darauf wartet, seinen Namen zu hören, dann ist das ein Assistent, und er ist eine eigene Einstellung, die du unabhängig abschalten kannst.
Das Diktat fragt nach nichts, bis du eine Taste drückst, und eine Tastatur, die die Erkennung auf dem Gerät macht, fragt danach ebenfalls nach nichts.
Was zugleich heißt, dass die beiden keine Alternativen zueinander sind. Behalt den Assistenten für die Dinge, in denen Assistenten gut sind, und lass eine Tastatur das Schreiben übernehmen. Sie beantworten verschiedene Fragen, und keines ersetzt das andere.