On-Device oder Cloud: Wo die Spracherkennung läuft

Drei Betriebsarten: On-Device, Cloud, Hybrid

On-Device bedeutet, dass das Erkennungsmodell auf dem Gerät selbst rechnet, also auf Smartphone, Rechner oder im Rekorder. Die Aufnahme verlässt das Gerät nicht. Cloud bedeutet, dass die Aufnahme an einen Server des Anbieters übertragen und dort verarbeitet wird; wo dieser Server steht, ist eine eigene Frage. Hybrid verteilt die Arbeit: kleine Aufgaben lokal, große Modelle in der Cloud. Alle drei Varianten kommen im Vergleich vor, allerdings sehr ungleich verteilt.

Die Unterscheidung ist keine technische Spitzfindigkeit. Sie entscheidet, ob eine Internetverbindung nötig ist, ob ein Dritter die Aufnahme zu Gesicht bekommt, ob ein Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO nötig wird und ob Berufsgeheimnis-träger das Werkzeug überhaupt einsetzen dürfen. Die rechtliche Seite behandelt Cloud-Transkription und Datenschutz; diese Seite bleibt bei der Technik und bei dem, was die Hersteller selbst sagen.

Was Apple, Google und Qualcomm dazu sagen

Apple: Private Cloud Compute

Apple beschreibt in seinem Security-Research-Blog vom Juni 2024 die eigene Haltung so: „Apple has long championed on-device processing as the cornerstone for the security and privacy of user data.“ Für Anfragen, die größere Modelle brauchen als ein iPhone tragen kann, hat Apple Private Cloud Compute (PCC) gebaut und dafür drei Kernversprechen formuliert: „Stateless computation“ (nichts wird nach der Antwort behalten), „No privileged runtime access“ (auch Apple-Personal kommt nicht an die Daten) und „Verifiable transparency“ (die Software der Server wird in einem Transparenzlog veröffentlicht, damit Forschende sie prüfen können).

Für das Diktat selbst ist Apples Rechtsseite „Siri, Diktieren & Datenschutz“ aufschlussreicher. Ob Audio und Transkript lokal verarbeitet werden, zeigt das Gerät in den Tastatureinstellungen an; andernfalls wird das Diktierte an Apple-Server gesendet. Transkripte werden dort mit einer zufälligen, auf dem Gerät erzeugten und mehrmals pro Stunde wechselnden Kennung verknüpft, und Apple speichert und nutzt diese Daten „bis zu zwei Jahre“. Auch Apps, die Apples Spracherkennung einbinden, können Audio an Apple senden. Die Schalter dafür liegen unter Einstellungen, Allgemein, Tastatur, Diktierfunktion sowie unter Siri und Datenschutz & Sicherheit. Für Deutsch führt Apple das Diktat in der Liste „On-Device and Modeless Dictation“, mehr dazu auf der Seite Apple Diktat.

Google: Gemini Nano in AICore

Google beschreibt sein On-Device-Modell für Android in der Entwicklerdokumentation: „Gemini Nano lets you deliver rich generative AI experiences without needing a network connection or sending data to the cloud.“ Als Vorteile nennt Google drei Dinge in einem Satz: Der Ansatz „enhances privacy by keeping sensitive data on the device, enables offline functionality, and reduces inference costs“. Das Modell läuft im Systemdienst AICore, der laut Google jede Anfrage isoliert und „doesn’t store any record of the input data or the resulting outputs after processing them“. Google schreibt aber auch: „inference speed depends on device hardware“; wie schnell On-Device ist, hängt also vom Telefon ab. Konkrete Energie- oder Latenzwerte nennt die Seite nicht.

Qualcomm: Das Kostenmotiv

Der Chiphersteller Qualcomm argumentiert in seinem Whitepaper „The future of AI is hybrid“ von 2023 offen ökonomisch: „The main motivation is cost savings.“ Jede Anfrage, die auf dem Gerät des Nutzers rechnet, kostet den Anbieter keine Serverzeit. Als weitere Vorteile nennt Qualcomm „performance, personalization, privacy and security at a global scale“. Belastbare Energie- oder Latenzzahlen enthält der gelesene Text nicht; sie fehlen in allen drei Herstellerquellen, und deshalb nennt diese Seite keine.

Welche Diktier-Apps lokal arbeiten

Unter den Apps des Vergleichs gibt es eine echte Wahl. Eine Gruppe rechnet auf dem Gerät, meist mit Whisper-Modellen oder den Systemfunktionen von Apple, Microsoft und Google. Eine zweite Gruppe arbeitet grundsätzlich in der Cloud. Die Angaben stammen von den Datenschutz- und Produktseiten der Anbieter.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Anbieterangaben, Abruf 13.10.2026. Vollständige Liste im offenen Datensatz Diktier-Apps; Profile auf der Seite Offline-Spracherkennung.

Zwei Muster fallen auf. Erstens koppeln die lokalen Apps ihre Offline-Fähigkeit an Hardware: superwhisper und VoiceInk setzen für gute lokale Ergebnisse auf Apple Silicon, noScribe empfiehlt eine NVIDIA-Grafikkarte. Zweitens bleibt der zweite Verarbeitungsschritt oft in der Cloud, auch wenn der erste lokal läuft: superwhisper nennt für die KI-Nachbearbeitung GPT, Claude, Llama, Grok und Gemini, VoiceInk sendet den Text zur Verbesserung an Cloud-Modelle. „Lokal“ bezieht sich dann nur auf das Audio.

KI-Diktiergeräte: Alle in der Cloud

Bei den Geräten gibt es diese Wahl nicht. Jedes KI-Diktiergerät des Vergleichs, das Deutsch transkribiert, schickt die Aufnahme zur Erkennung in die Cloud des Herstellers. Der Grund ist die Hardware: Ein Rekorder im Kreditkartenformat mit wenigen Gramm Gewicht trägt keinen Rechner, der ein großes Erkennungsmodell und ein Sprachmodell ausführt. Unterschiede gibt es nur darin, ob und wie genau der Hersteller den Serverstandort nennt.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Aus dem offenen Datensatz, Stand 13.10.2026. Ausnahmen im Datensatz: Der iFLYTEK SR302 transkribiert offline, aber nur Chinesisch, Englisch, Japanisch, Koreanisch und Russisch; der Grundig Digta 7 ist ein klassisches Diktiergerät ohne KI-Funktion und arbeitet lokal.

Zwei Einträge verdienen einen Hinweis. PLAUD nennt im Trust Center Rechenzentren in den USA, Europa (Frankfurt), Singapur und Japan mit Verarbeitung in der nächstgelegenen Region, während die Partner-Datenschutzseite desselben Herstellers ausschließlich US-Server (AWS Oregon) angibt; dieser Vergleich löst den Widerspruch nicht auf, sondern benennt ihn. Mobvoi schreibt auf der About-Seite zum TicNote „All processing happens on-device“, bietet aber zugleich Cloud-Transkription mit Minutenkontingent an; die Aussage ist mit dem Abo-Modell nicht vereinbar. Die Signature-Grafik „Datenweg“ auf jeder Geräteseite zeigt den Weg der Aufnahme je Produkt.

Entscheidungshilfe

Welche Betriebsart passt, hängt weniger von der Technik als vom Einsatz ab. Die Tabelle stellt die Kriterien gegenüber, ohne Werte zu behaupten, die kein Hersteller veröffentlicht.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Zusammenstellung dieser Redaktion aus den oben zitierten Herstellerquellen. Rechtsfragen im Detail: Berufsgeheimnis und Diktat.

Für Berufsgeheimnisträger, die Mandanten- oder Patienteninhalte diktieren, ist die lokale Verarbeitung der Weg mit den wenigsten offenen Fragen; die Seite Berufsgeheimnis ordnet die Pflichten ein. Wer Besprechungen aufnimmt und Zusammenfassungen will, landet bei den Geräten und damit in der Cloud; dann zählt, ob der Hersteller Standort, Löschfristen und einen Vertrag zur Auftragsverarbeitung nennt.