Schritt eins: das Mikrofon
Du drückst die Taste. Android gewährt der App Zugang zum Mikrofon und zeigt für die gesamte Dauer eine Anzeige auf dem Bildschirm. Das zählt, denn dieser Zustand ist beobachtbar statt etwas, das man glauben muss.
Das Mikrofon misst den Luftdruck ein paar tausend Mal pro Sekunde und erzeugt Zahlen. Mehr ist eine Aufnahme an dieser Stelle nicht: eine lange Liste von Messwerten, die beschreibt, wie sich eine Membran bewegt hat.
Entschieden ist noch nichts, und geschickt wurde noch nirgendwohin etwas.
Schritt zwei: diese Zahlen müssen irgendwo sein
Erkennung kann nicht an Klang stattfinden, der nicht aufgefangen wurde, für ein paar Sekunden liegt der Ton also im Arbeitsspeicher, während er verarbeitet wird.
Das ist der Schritt, nach dem Leute üblicherweise fragen, wenn sie fragen, ob das Diktat sie "aufnimmt". Technisch ja, in dem Sinn, dass Messwerte existieren. In dem Sinn, den die Leute meinen, nämlich ob eine Datei bleibt, die sich später jemand anhören könnte, hängt es vollständig davon ab, was als Nächstes passiert.
Schritt drei: die Gabelung
Hier trennen sich die beiden Bauweisen, und alles Wesentliche folgt daraus, welche du benutzt.
Auf der Serverseite. Der Ton wird verpackt und über das Netz an einen fernen Rechner übertragen, der ein Modell darauf laufen lässt und Text zurückschickt. Auf dieser Reise liegt der Ton auf fremder Hardware. Was dort mit ihm geschieht, regeln die Bestimmungen dieser Firma und nicht etwas, das von deinem Handy aus sichtbar wäre.
Auf dem Gerät. Eine Modelldatei, die schon auf deinem Handy liegt, verarbeitet die Messwerte vor Ort. Es wird nichts verpackt, nichts übertragen, und der Ton existiert nirgends außer im Arbeitsspeicher deines Handys.
Welche der beiden eine App benutzt, findest du in unter einer Minute heraus: mobile Daten und WLAN aus, diktieren. Erscheinen Wörter, war es die zweite.
Schritt vier: aus Klang wird Text
Das Modell erzeugt Wörter. Von hier an hat der Ton seinen Zweck erfüllt, und das nützliche Erzeugnis ist Text.
Dieser Übergang ist der wichtige, denn Text ist viel kleiner, viel weniger kennzeichnend, und er trägt weder deine Stimme noch deinen Tonfall, deine Sprechweise oder irgendetwas aus dem Hintergrund des Raumes.
Was auch immer jemand hinterher mit dem Text macht, die Aufnahme davon, wie du ihn gesagt hast, ist eine eigene Frage mit einer eigenen Antwort.
Schritt fünf: der Text geht ins Feld
Die Wörter landen in dem, in das du getippt hast, genau so, als hättest du sie getippt.
In diesem Augenblick endet die Beteiligung der Tastatur vollständig. Was danach passiert, regelt die App, in die du den Text gesetzt hast: die Nachrichten-App, die Notizen, der Browser, das Mailprogramm, und was die jeweils mit dem machen, was du schreibst.
Das ist die Grenze dessen, was eine Tastatur versprechen kann, unsere eingeschlossen. Eine Tastatur kann eine Nachrichten-App nicht vertraulich machen, und niemand sollte etwas anderes behaupten.
Wo jede Bauweise den Ton in der Praxis liegen hat
"Im Arbeitsspeicher" leistet in Schritt zwei eine Menge Arbeit.
Bei Erkennung auf dem Gerät liegen die Messwerte im eigenen Prozess der App, so lange es dauert, Wörter zu erzeugen, und danach wird dieser Arbeitsspeicher für etwas anderes wiederverwendet, wie aller Arbeitsspeicher. Es wird keine Datei geschrieben, es gibt also nichts zu finden, zu löschen oder versehentlich zu sichern.
Bei Erkennung auf der Serverseite werden dieselben Messwerte zusätzlich in eine Netzanfrage kopiert, über die Verbindung geschickt, auf der du gerade bist, von Hardware empfangen, über die du nicht bestimmst, und dort verarbeitet. Jeder dieser Schritte ist gewöhnliche Technik, und jeder ist eine Stelle, an der der Ton liegt, an der er vorher nicht lag.
Keine dieser Beschreibungen ist eine Anschuldigung. Es ist nur so, dass der eine Weg vier Orte hat, an denen deine Stimme existiert, und der andere einen.
Was hinterher übrig bleibt
Hinter der einen Frage stecken drei, und sie werden ständig verwechselt.
Bleibt der Ton übrig? Bei Erkennung auf dem Gerät gibt es keine Datei und bleibt nichts. LocalType führt kein Archiv deiner Aufnahmen: Die Messwerte werden verarbeitet, und übrig bleiben die Wörter.
Bleibt der Text übrig? Ja, in der App, in die du ihn geschickt hast, genau wie getippter Text. Das ist der Sinn davon, etwas zu schreiben.
Bleibt irgendetwas über dich in der Tastatur? Deine Einstellungen und die Wörter, die du hinzugefügt hast, und die bleiben auf dem Gerät. Dem Cloud-Backup von Android werden die Daten der App absichtlich vorenthalten, sie verlassen das Gerät also nicht und tauchen auf einem neuen nicht wieder auf.
Was LocalType auf jedem Schritt macht
Das Mikrofon geht auf, wenn du die Taste drückst, und zu, wenn du aufhörst; es gibt kein Weckwort, und zwischen zwei Diktaten hört nichts zu. Das Modell ist eine Datei in einem Speicher, an den keine andere App kommt, und es ist das Einzige, was den Ton verarbeitet. Nach dem ersten Download ist an keiner Stelle ein Netz beteiligt, und nach Internet wird für genau einen Zweck gefragt, nämlich um das Modell abzuholen, das du gewählt hast.
Es gibt kein Konto, es verbindet also nichts davon irgendetwas mit einer Person. Werbung fehlt im Produkt, und Tracking läuft darin keines. In einem Passwortfeld wird die Mikrofontaste gar nicht erst angeboten, die eine Sorte Sprache, die niemand diktieren sollte, lässt sich also nicht versehentlich diktieren.
Die Fragen, die das nicht beantwortet
Erkennung auf dem Gerät beantwortet eine Frage und lässt mehrere unberührt. Sie sagt dir nicht, was der Hersteller deines Handys macht, was die App macht, in die du tippst, oder was mit einer Nachricht passiert, nachdem sie verschickt wurde. Das sind drei getrennte Systeme mit drei getrennten Antworten.
Es macht dich auch nicht anonym. Die Person, an die du schreibst, weiß, wer du bist, und daran ändert keine Eingabemethode etwas.
Was es beantwortet, ist eng und prüfbar: ob deine Stimme an einen Dritten übertragen wird, um zu Text zu werden. Erkennung auf dem Gerät antwortet mit Nein, und du kannst das im Flugmodus nachprüfen, statt einer Seite zu glauben.
Warum es sich lohnt, den Weg zu kennen
Weil er aus einer vagen Sorge eine bestimmte Frage mit einer prüfbaren Antwort macht.
"Ist Diktieren privat" lässt sich nicht beantworten. "Wird der Ton übertragen, und bleibt eine Aufnahme übrig" schon, in etwa einer Minute, für jede App auf jedem Handy.
Das ist die Frage, die man allem stellt, was man installiert, und der Grund, den ganzen Weg abzulaufen statt eine Behauptung aufzustellen.
Eine Sache, die sich heute lohnt
Welche Tastatur du auch benutzt, nimm dir eine Minute, um herauszufinden, welchen Weg dein Diktat nimmt.
Flugmodus, einen Satz diktieren, sehen, was passiert. Dann nachsehen, ob die App überhaupt die Berechtigung fürs Internet hat, was in den App-Einstellungen von Android sichtbar ist und weitere dreißig Sekunden dauert.
Diese zwei Tatsachen sagen dir mehr darüber, was mit deiner Stimme geschieht, als jedes Richtliniendokument, und sie gelten für die Tastatur, die du schon hast, genauso wie für jede Alternative. Die wenigsten haben je nachgesehen, und die Antwort ist häufig nicht die, die sie angenommen hatten, in die eine wie in die andere Richtung.