Die Wörter, auf die es am meisten ankommt
Spracherkennung, auch ASR. Software, die aufgenommenen Klang in geschriebene Wörter verwandelt. Die Abkürzung ASR steht für automatische Spracherkennung und meint dasselbe. Sie versteht nicht, was du gesagt hast; sie ermittelt, welche Wörter gesprochen wurden.
Diktieren. Spracherkennung absichtlich benutzen, um Text hervorzubringen, den du schreiben wolltest. Vom Mitschreiben unterschieden dadurch, dass du selbst sprichst und es mit Absicht tust.
Mitschrift. Eine vorhandene Aufnahme in Text verwandeln. Üblicherweise die Sprache von jemand anderem, üblicherweise im Nachhinein, üblicherweise mit einem Dokument als Ergebnis.
Untertitel. Sprache in Echtzeit in Text verwandeln, damit sie gelesen werden kann, während sie entsteht, meistens zur Barrierefreiheit.
Diese vier werden in der Werbung austauschbar benutzt und bedeuten wirklich Verschiedenes, und deshalb sind die Suchergebnisse zu jedem davon so ein Gemischtwarenladen.
Wo die Arbeit stattfindet
Auf dem Gerät, auch lokal genannt. Das Modell läuft auf deinem Handy oder Rechner. Es wird nichts übertragen, und es läuft ohne Verbindung.
Cloud, auch Serverseite. Ton wird an einen fernen Server geschickt, dort verarbeitet, und Text kommt zurück. Erlaubt viel größere Modelle und verlangt eine Verbindung.
Gemischt. Beides, mit etwas, das entscheidet, was gerade gilt. Diese Entscheidung kann bei dir liegen oder bei der Software, und sie kann von deinem Gerät, deiner Sprache oder deinen Einstellungen abhängen.
Offline-Modus. Die lokale Möglichkeit eines gemischten Produkts. Gibt es einen Modus, gibt es auch einen anderen.
Das Modell selbst
Modell. Die Datei, die die Erkennung macht. Durch Training entstanden und im Kern eine sehr große Sammlung von Zahlen.
Gewichte. Diese Zahlen. Wenn Leute sagen, ein Modell habe offene Gewichte, meinen sie, dass die Datei von allen heruntergeladen und laufen gelassen werden kann, und genau das macht Produkte auf dem Gerät möglich.
Trainingsdaten. Die aufgenommene Sprache und der dazugehörige Text, aus denen ein Modell gelernt hat. Wie viel davon für deine Sprache vorhanden war, ist der größte Einzelfaktor dafür, wie gut es für dich läuft.
Modellgröße. Üblicherweise in Megabyte angegeben. Größere Modelle kommen mit Dialekt, Lärm und ungewöhnlichen Wörtern besser zurecht und brauchen mehr Arbeitsspeicher und mehr Zeit.
Quantisierung. Die Zahlen eines Modells mit weniger Genauigkeit ablegen, damit die Datei kleiner ist und schneller läuft, gegen einen überschaubaren Verlust an Treffsicherheit. Sie ist ein großer Teil des Grundes, warum Modelle in Handygröße praktikabel wurden.
Whisper. Ein Modell zur Spracherkennung, von OpenAI mit verfügbaren Gewichten veröffentlicht, und deshalb bauen sehr viele Produkte auf dem Gerät darauf auf oder auf Neuimplementierungen davon.
whisper.cpp. Eine Fassung von Whisper, geschrieben, um auf gewöhnlichen Prozessoren sparsam zu laufen, in Handy-Apps weit verbreitet, weil die meisten Handys keine nennenswerte Grafikkarte haben.
Wie es sich verhält
Wartezeit. Die Verzögerung zwischen deinem Aufhören und dem Erscheinen des Textes. Auf dem Gerät hängt sie an deiner Hardware und an der Modellgröße, in der Cloud an deiner Verbindung.
Genauigkeit, auch Wortfehlerrate. Wie oft Wörter falsch herauskommen. Zitierte Zahlen beschreiben fast immer saubere Aufnahmen in gut versorgten Sprachen, behandle sie also als Obergrenze und nicht als Erwartung.
Nahfeld und Fernfeld. Ob das Mikrofon quer durch einen Raum steht oder dicht an deinem Mund. Das Nahfeld ist dramatisch leichter, und davon geht das Diktieren aus.
Erkennung der Sprechaktivität. Herausfinden, wann Sprache anfängt und aufhört, damit das System weiß, was es verarbeiten soll und wann du fertig bist.
Spracherkennung im Sinne der Sprachbestimmung. Herausfinden, welche Sprache gesprochen wird, statt es vorher gesagt zu bekommen. Bei ganzen Sätzen verlässlich, bei einzelnen Wörtern nicht.
Erschlossene Satzzeichen. Kommas und Punkte, die das System aus deinem Rhythmus und aus der Grammatik entscheidet, statt sie als Befehl mitgesprochen zu bekommen. In neueren Produkten der Normalfall.
Auf dem Handy selbst
Eingabemethode, auch IME. Der technische Name für eine Tastatur unter Android. Eine Eingabemethode bekommt deine Tastenanschläge und kann den Text rund um die Schreibmarke lesen, und so funktioniert die Autokorrektur, und deshalb warnt Android dich, wenn du eine freischaltest.
Freischalten gegen Auswählen. Zwei getrennte Schritte. Freischalten erlaubt einer Tastatur, als Möglichkeit vorhanden zu sein; Auswählen macht sie zu der, die benutzt wird. Den zweiten zu übersehen ist der häufigste Grund, warum eine frisch installierte Tastatur scheinbar nichts tut.
Eigenes Wörterbuch. Wörter, die du selbst hinzufügst, damit sie nicht mehr ausgebessert werden und, bei Produkten, die das können, damit die Erkennung weiß, dass es sie gibt.
Weckwort. Eine kurze Wendung, auf die ein Gerät durchgehend lauscht, um einen Assistenten zu starten. Diktieren benutzt keines, und deshalb hört eine Tastatur zwischen zwei Benutzungen nicht zu.
Cloud-Backup. Das übliche Kopieren von App-Daten in dein Konto durch Android. Eine App kann sich davon abmelden, was die Daten schützt und heißt, dass sie auf einem neuen Handy nicht zurückkommen.
Einheiten und Zahlen, die dir begegnen
Drei Begriffe sorgen beim Vergleich von Produkten für die meiste Verwirrung.
Megabyte für ein Modell. Belegter Speicherplatz auf dem Gerät. Beachte, dass der im Betrieb benutzte Arbeitsspeicher eine eigene Zahl ist und üblicherweise größer, und deshalb kann ein Modell auf ein Handy passen und trotzdem unbequem darauf sein.
Verhältnis zur Echtzeit. Wie lange die Verarbeitung im Verhältnis zu deiner Sprechdauer braucht. Unter eins heißt schneller als Sprache, über eins heißt, du wartest. Eine Angabe wie "6,9 Sekunden Sprache in 4,1 Sekunden" ist genau das, schlicht ausgedrückt.
Unterstützte Sprachen. Eine Zählung der Sprachen, an denen sich das Produkt versuchen wird, und das ist nicht dasselbe wie Sprachen, die es gut kann. Hundert gegen achtzehn zu stellen sagt dir über deine eigene Sprache fast nichts.
Wörter, die nach Zusicherung klingen und keine sind
Diese führen in diesem Feld am meisten in die Irre.
"Privat." Unbestimmt. Frag, wohin der Ton geht und ob ein Konto beteiligt ist.
"Sicher." Beschreibt üblicherweise die Übertragung und nicht, ob überhaupt übertragen wird.
"Funktioniert offline." Heißt manchmal, dass dein Text lokal abgelegt wird, und das sagt nichts darüber, wo deine Stimme verarbeitet wurde. Zwei völlig verschiedene Aussagen.
"Mit Whisper." Sagt, welches Modell, und nicht, wo es läuft. Ein offenes Modell auf fremden Servern liegt weiterhin auf fremden Servern.
"Keine Datensammlung." Enger, als es klingt. Frag, was als Daten zählt, und ob der Ton selbst dazugehört.
Der verlässliche Test hinter allen diesen lautet auf das Verhalten: mobile Daten und WLAN abschalten und die Funktion dann benutzen wollen.
Wo LocalType in diesem Vokabular steht
LocalType ist eine Eingabemethode mit Spracherkennung auf dem Gerät, ohne gemischten Modus, ohne Weckwort und ohne Konto. Das Modell hat offene Gewichte, ist quantisiert, um auf einem Handy zu laufen, und wird in drei Größen mit 60, 190 und 539 MB angeboten, du wählst also deinen eigenen Punkt auf der Kurve zwischen Wartezeit und Genauigkeit. Das Verhältnis zur Echtzeit für die mittlere Einstellung, gemessen auf einem Testgerät mit 4 GB: 6,9 Sekunden Sprache in 4,1 Sekunden.
Es bestimmt die Sprache über achtzehn Sprachen hinweg aus der Aufnahme statt aus einer Einstellung, und es erschließt Satzzeichen, statt gesprochene Befehle anzunehmen. Es unterstützt ein eigenes Wörterbuch, das auf dem Gerät bleibt und dem Modell als Zusammenhang mitgegeben wird.
Nach Internet wird für genau einen Zweck gefragt, nämlich um das Modell abzuholen. Werbung fehlt, im Produkt läuft kein Tracking, ein Archiv deiner Aufnahmen wird nicht geführt, das Modell liegt in einem Speicher, an den nur die App kommt, und dem Cloud-Backup von Android werden die Daten der App absichtlich vorenthalten. Tipp in ein Passwortfeld, und dort wird keine Mikrofontaste angeboten.