Transkription auf dem Gerät oder in der Cloud

Transkription auf dem Gerät heißt, dass das Sprachmodell auf deinem eigenen Mac oder iPhone läuft und das Audio es nie verlässt; Cloud-Transkription heißt, dass das Audio auf einen Server hochgeladen, dort verarbeitet und der Text zurückgeschickt wird. Die Wahl bestimmt, wer deine Aufnahmen hören kann, was du pro Stunde Audio zahlst und ob es im Flugzeug funktioniert. Dieser Artikel erklärt die Mechanik von beidem, macht die Rechnung ehrlich und benennt die Situationen, in denen die Cloud weiterhin das bessere Werkzeug ist.

Was "auf dem Gerät" technisch bedeutet

Ein System zur Spracherkennung hat zwei Teile: das Modell, eine große Datei mit gelernten Gewichten, und die Laufzeitumgebung, die Audio durch diese Gewichte schickt, um Text zu erzeugen. Bei einem Cloud-Dienst leben beide in einem Rechenzentrum. Bei einer App auf dem Gerät leben beide auf deiner Hardware.

Konkret macht eine Transkriptions-App auf dem Gerät Folgendes:

1. Sie lädt die Modellgewichte einmal herunter, meist beim ersten Start. Das ist das einzige Mal, dass sie für die eigentliche Aufgabe das Netzwerk braucht.
2. Sie legt sie auf der Festplatte ab, typischerweise ein paar hundert Megabyte bis ein paar Gigabyte pro Modell.
3. Sie führt die Inferenz auf der lokalen CPU, der GPU oder, auf Apple-Hardware, der Neural Engine aus. Frameworks wie Core ML und MLX gibt es, damit das auf Apple Silicon schnell ist.
4. Sie schreibt den Text in den lokalen Speicher. Weder Audio noch Text wird in einen Socket geschrieben.

Der praktische Test ist einfach. Schalte das Gerät in den Flugmodus oder das WLAN aus und transkribiere etwas. Funktioniert es, läuft die Erkennung auf dem Gerät. Zeigt die App einen Kreisel oder einen Fehler, tut sie es nicht, egal was das Marketing sagt. Auf einem Mac kannst du weiter gehen und mit einem Netzwerkmonitor beim Transkribieren nach ausgehenden Verbindungen sehen.

Zwei Dinge, die mit Verarbeitung auf dem Gerät manchmal verwechselt werden:

• "Verschlüsselt bei der Übertragung" heißt, dass der Upload auf dem Weg zum Server vor Mithörern geschützt ist. Der Server entschlüsselt trotzdem und hört alles.
• "Wir speichern dein Audio nicht" beschreibt die Aufbewahrung, nicht den Ort. Das Audio wurde trotzdem auf einer Maschine verarbeitet, die du nicht kontrollierst, von einer Firma, die es hatte, wie kurz auch immer.

Apples eigenes Diktat ist ein nützlicher Bezugspunkt: Für einige Sprachen läuft es auf dem Gerät, für andere schickt es Audio weiterhin an Apples Server. Dieselbe Funktion, zwei sehr verschiedene Datenschutzgeschichten, je nachdem, welche Sprache du sprichst, was zeigt, warum die Frage bei jedem Werkzeug einen Wert hat.

Was Cloud-Transkriptionsdienste mit deinem Audio machen

Ein Cloud-Dienst muss Folgendes tun, und jeder Schritt ist eine Stelle, an der eine Richtlinie greift:

• Das Audio entgegennehmen. Es existiert jetzt auf seiner Infrastruktur, und meist auch auf der Infrastruktur eines Cloud-Anbieters darunter, manchmal in einem anderen Land.
• Es verarbeiten. Größere Anbieter leiten Arbeit womöglich an Unterauftragsverarbeiter weiter, die, wenn überhaupt, tief in einem Auftragsverarbeitungsvertrag aufgelistet sind.
• Den Text zurückgeben, und oft Audio und Text eine Zeit lang behalten: damit du erneut herunterladen kannst, zur Fehlersuche oder um "den Dienst zu verbessern". Das Training mit Kundendaten ist meist abwählbar oder bei bezahlten Stufen abgeschaltet, aber die Voreinstellung unterscheidet sich je nach Produkt und ändert sich mit der Zeit.
• Irgendwann löschen. Aufbewahrungsfristen in Apps für Endkunden reichen von sofort bis unbefristet.

Nichts davon ist finster. Es ist die normale Form eines Cloud-Produkts, und seriöse Dienste dokumentieren es. Aber es bedeutet, dass "ist mein Transkript privat" zu einer Frage nach der Richtlinie eines Anbieters wird, nach den Richtlinien seiner Unterauftragsverarbeiter, nach seiner Vorgeschichte mit Datenpannen und nach der Rechtsordnung. Bei Verarbeitung auf dem Gerät verschwindet diese ganze Kette von Fragen, weil es in der Kette keinen Anbieter gibt. Für Berufstätige, die Vertraulichkeitsprüfungen bestehen müssen, ist genau das der Punkt; privates Diktat in Medizin und Recht geht auf die Einzelheiten ein.

Die Rechnung

Cloud-Transkription wird nach Verbrauch abgerechnet, weil jede Minute Audio den Anbieter Rechenleistung kostet. Diese Kosten erreichen dich in einer von zwei Formen: als Preis pro Minute bei einer API oder als Monatstarif mit einer Obergrenze an Minuten.

Reine APIs sind zum Zeitpunkt des Schreibens pro Minute günstig: in der Größenordnung von einem Bruchteil eines Cents bis zu ein paar Cent, und was Cloud-Transkription tatsächlich pro Stunde kostet vergleicht die aktuellen Anbieter nebeneinander. Apps für Endkunden, die darauf aufbauen, verlangen mehr und ergänzen ein monatliches Minutenkontingent. Zum Vergleichen rechnest du in Stunden Audio pro Monat.

Audio pro Monat	Bei $0.01 pro Minute	Bei $0.02 pro Minute
5 Stunden	$3	$6
20 Stunden	$12	$24
40 Stunden	$24	$48
100 Stunden	$60	$120

Wer zwei Besprechungen pro Woche transkribiert, liegt im Band von 5 bis 10 Stunden, wo die Cloud wirklich preiswert ist. Wer jedes Gespräch, jede Vorlesung oder jedes Interview transkribiert, liegt im Band von 40 bis 100 Stunden, wo der Zähler ins Gewicht fällt und wo ein gedeckelter Endkundentarif meist zum Aufstieg in die nächste Stufe zwingt.

Transkription auf dem Gerät hat keinen Zähler, weil die Rechenleistung dir gehört. Du zahlst einmal für Software oder per Abo, und dann kostet die hundertste Stunde dasselbe wie die erste: nichts. Zur Einordnung: ThinkScribe verlangt pauschal $9.99 pro Monat, $79.99 pro Jahr oder einmalig $199.99, für unbegrenzte Transkription auf Mac, iPhone, iPad und Apple Watch. Gegen die Tabelle oben gerechnet liegt der Pauschalpreis bei 8 bis 16 Stunden im Monat ungefähr auf null und darüber klar im Plus. Unter 5 Stunden im Monat kann ein günstiger Dienst nach Verbrauch weniger kosten, und es ist fair, das zu sagen.

Verzögerung, Tempo und Arbeiten ohne Netz

Cloud-Transkription einer Datei heißt, sie zuerst hochzuladen. Eine einstündige Aufnahme in vernünftiger Qualität sind Dutzende Megabyte; in einem Hotel-WLAN kann dieser Upload länger dauern als die Transkription. Live-Untertitel aus der Cloud fügen bei jeder Phrase einen Weg hin und zurück hinzu, weshalb sich Cloud-Diktat immer einen Takt hinter deiner Stimme anfühlt.

Transkription auf dem Gerät startet sofort und läuft so schnell, wie der lokale Chip es zulässt. Auf aktuellem Apple Silicon transkribieren moderne Modelle wie Parakeet weit schneller als in Echtzeit, eine Stunde Audio ist also in Minuten fertig, ganz ohne Upload-Schritt. Ältere oder kleinere Modelle sind langsamer, aber weiterhin brauchbar. Der Vergleich Whisper oder Parakeet behandelt, welches Modell du für Tempo gegenüber Sprachabdeckung nimmst.

Und dann gibt es schlicht kein Netz. Züge, Flugzeuge, Krankenhäuser, Gerichtssäle, Keller, Einsätze im Feld, das Büro eines Kunden, in dessen Gäste-WLAN du dich nicht einwählen willst. Auf dem Gerät funktioniert es überall dort. In der Cloud nicht, und eine Funktion, die in eine Warteschlange stellt und später hochlädt, ist ein Umweg, keine Lösung.

Wo Cloud-Transkription weiterhin gewinnt

Dazu ehrlich zu sein ist nützlicher, als etwas anderes vorzugeben.

• Schwache Hardware. Auf einem einfachen Laptop, einem Intel-Mac oder einem Telefon mit wenig Speicher läuft ein großes Modell auf dem Gerät womöglich gar nicht oder so langsam, dass es nervt. Einer GPU im Rechenzentrum ist es egal, was du besitzt.
• Riesige Stapel. Tausend Stunden Archivaudio in einem Rutsch zu transkribieren ist eine Aufgabe für parallele Server. Dein Mac verarbeitet eine Datei nach der anderen.
• Gemeinsame Arbeitsbereiche. Wenn ein Team dieselben Transkripte, Kommentare und die Suche an einem Ort im Web braucht, liefert ein Cloud-Produkt das von Haus aus. Eine App auf dem Gerät kann zwischen deinen eigenen Geräten synchronisieren, aber sie ist kein Server für Zusammenarbeit.
• Manche Sprachen und Akzente. Die größten Cloud-Modelle, auf mehr Daten trainiert als alles, was auf ein Telefon passt, liegen bei Sprachen mit wenig Ressourcen und bei sehr starken Akzenten weiterhin vorn. Für Englisch und die großen europäischen und asiatischen Sprachen ist der Abstand so weit geschlossen, dass die meisten ihn nicht bemerken.
• Plattformen. Wenn deine Arbeit auf Windows oder Android stattfindet, sind die Möglichkeiten auf dem Gerät dünner, und ein Cloud-Werkzeug im Browser ist womöglich die einzige praktikable Wahl.
• Live-Untertitel für große Veranstaltungen. Untertitel an hunderte Zuschauer zu streamen gehört auf einen Server.

Wenn du in eine dieser Gruppen fällst, nutze die Cloud mit offenen Augen: Lies die Aufbewahrungsrichtlinie, schalte das Training ab, wo es angeboten wird, und lade nichts hoch, was du nicht auch per E-Mail schicken würdest.

So erkennst du, ob eine App wirklich auf dem Gerät arbeitet

Eine kurze Checkliste, anwendbar auf jede Transkriptions-App:

1. Funktioniert sie nach der Einrichtung im Flugmodus? Das ist der Test, auf den es ankommt.
2. Verlangt sie ein Konto? Eine lokale App hat keinen Grund zu wissen, wer du bist.
3. Was steht im Datenschutzlabel im App Store? "Keine Daten erhoben" ist die ehrliche Antwort für eine lokale App, mit einer Ausnahme für optionale Absturzberichte.
4. Nennt sie die Modelle, die sie ausführt? Namen von Open-Source-Modellen (Whisper, Parakeet, Qwen) sind ein gutes Zeichen; ein vages "unsere KI" kann alles heißen.
5. Gibt es eine Minutengrenze? Ein Zähler bedeutet fast immer einen Server.

Die private Möglichkeit in einem Schritt

Du kannst die Engine wählen, Apples Modelle auf dem Gerät, Whisper oder Parakeet, die Abwägungen oben liegen also bei dir. Wenn du dasselbe erst einmal von Hand bauen willst, führt Audio in Text umwandeln auf dem Mac durch den Open-Source-Weg.

Häufig gestellte Fragen

Ist Transkription auf dem Gerät so genau wie in der Cloud?

Für Englisch und die großen Weltsprachen sind aktuelle Modelle auf dem Gerät wie Whisper und Parakeet nah genug an Cloud-Diensten, dass der Unterschied bei alltäglichen Aufnahmen selten auffällt. Cloud-Modelle behalten einen Vorsprung bei Sprachen mit wenig Ressourcen und sehr starken Akzenten, und bei sehr rauschendem Audio sind die größten Modelle weiterhin besser.

Heißt Offline-Transkription, dass mein Audio privat ist?

Wenn die App das Modell wirklich lokal ausführt, verlässt das Audio das Gerät nie, es gibt also keinen Anbieter, der es lesen, aufbewahren oder verlieren könnte. Der Test ist, ob die Transkription mit abgeschaltetem Netz funktioniert. Datenschutz hängt dann von der Sicherheit und den Backups deines eigenen Geräts ab, und die kontrollierst du.

Wie viel kostet Cloud-Transkription pro Stunde?

Reine API-Preise ergeben zum Zeitpunkt des Schreibens rund $0.40 bis $1.50 pro Stunde Audio, und Apps für Endkunden bündeln typischerweise ein monatliches Minutenkontingent zu einem höheren effektiven Satz. Bei 20 Stunden im Monat sind das etwa $12 bis $30. Eine App auf dem Gerät zum Pauschalpreis kostet unabhängig vom Volumen dasselbe.

Funktioniert Transkription auf dem Gerät ohne Internet?

Ja, das ist die entscheidende Eigenschaft. Nach dem einmaligen Modell-Download laufen die Erkennung, und in einer vollständig lokalen App auch die Zusammenfassungen, ganz ohne Verbindung: im Flugmodus, im Keller oder in einem Gebäude, in dessen WLAN du dich nicht einwählen wirst.