Spracherkennung offline: Whisper, noScribe und die lokalen Diktat-Apps

Warum offline?

Offline-Spracherkennung bedeutet: Das Audio bleibt auf deinem Rechner oder Telefon, das Erkennungsmodell läuft dort, und kein Dritter sieht Aufnahme oder Text. Damit entfallen Auftragsverarbeitung, Drittlandübermittlung und die Frage nach dem Training mit deinen Daten, die bei jeder Cloud-Lösung zu klären sind. Für Berufsgeheimnisträger ist das oft der einzige Weg, der ohne Vertragswerk auskommt; die rechtliche Seite erklärt die Seite Cloud-Transkription und Datenschutz, die technische die Seite On-Device oder Cloud.

Der Preis dafür ist Rechenleistung. Was eine Cloud in Sekunden erledigt, dauert auf einem Notebook Minuten bis Stunden, und die großen Modelle brauchen Grafikspeicher, den ein gewöhnlicher Bürorechner nicht hat. Diese Seite sortiert, welche Werkzeuge offline arbeiten, was sie an Hardware voraussetzen und wo die Anbieter selbst Grenzen nennen.

Alle Apps mit Verarbeitung auf dem Gerät

Die Tabelle enthält jede App unseres Datensatzes, deren Verarbeitungsort wir als „Gerät“ einordnen. „Wahlweise“ heißt dabei: Die lokale Erkennung ist der Normalfall, Cloud-Modelle sind zuschaltbar, meist für die Nachbearbeitung.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Preise laut Herstellershop bzw. offizieller Preisseite, Stand 13.10.2026, in der Währung des Anbieters. Preise ohne Gewähr. „Standort“ ist die redaktionelle Einordnung des vom Anbieter genannten Verarbeitungsorts; „Training“ gibt wieder, was der Anbieter selbst über die Nutzung von Nutzerdaten zum Modelltraining sagt.

Whisper: das Modell hinter fast allem

Fast jede lokale Lösung dieser Seite baut auf Whisper auf, dem Erkennungsmodell, das OpenAI im Herbst 2022 unter MIT-Lizenz veröffentlicht hat. Es wurde laut Model Card mit 680.000 Stunden Audio trainiert, davon nicht-englische Daten in 98 Sprachen, Deutsch inklusive. Es gibt mehrere Größen: Das Modell tiny braucht etwa 1 GB Grafikspeicher, large etwa 10 GB, das 2024 veröffentlichte large-v3-turbo etwa 6 GB. In der auf Alltagsrechner optimierten Fassung whisper.cpp belegen die Modelldateien zwischen rund 273 MB (tiny) und 3,9 GB (large).

OpenAI nennt die Grenzen selbst: Die Leistung „varies widely depending on the language“, das Modell kann Texte ausgeben, die nie gesprochen wurden („hallucination“), und neigt zu Wiederholungen; das Turbo-Modell ist nicht für Übersetzung trainiert. Eine Wortfehlerrate für Deutsch steht nicht im README, nur ein Verweis auf das Paper. Was eine solche Rate bedeutet, erklärt die Seite Wortfehlerrate; wie Halluzinationen entstehen, die Seite Halluzinationen bei der Transkription.

whisper.cpp ist die C/C++-Portierung von Whisper, die auf macOS mit Intel oder Apple Silicon, iOS, Android, Linux, Windows und sogar auf dem Raspberry Pi läuft; über Core ML wird sie laut Repository auf Apple-Geräten „more than x3 faster“, dazu kommen Metal, CUDA und Vulkan. Sie ist das Rechenherz von Buzz, Vibe, MacWhisper, superwhisper und noScribe.

Werkzeuge für Dateien: noScribe, Buzz, Vibe, MacWhisper

noScribe

Entwickelt von Dr. Kai Dröge (Hochschule Luzern, Institut für Sozialforschung Frankfurt) für die Interviewforschung: Whisper beziehungsweise faster-whisper für die Erkennung, pyannote für die Sprechertrennung, ein Editor zum Abgleich von Audio und Text, Ausgabe als HTML (in Word zu öffnen), Text oder WebVTT. noScribe ist unter GPL-3.0 kostenlos, „free and always will be“, läuft auf Windows, macOS und Linux und „completely locally on your computer“. Der Installer ist rund 3 GB groß, eine NVIDIA-Grafikkarte mit CUDA beschleunigt. Der Autor nennt die Grenzen offen: „One hour of interview takes about 1-3 hours of transcription time“, und „review and correction are always necessary“. Er warnt zudem vor noscribe(dot)ai, einem fremden Bezahldienst ohne Verbindung zum Projekt.

Buzz und Vibe

Buzz transkribiert und übersetzt Audio offline, nutzt whisper.cpp mit Vulkan sowie Whisper-Modelle von Hugging Face und nimmt auch live vom Mikrofon auf; Export als TXT, SRT und VTT. Auf dem Mac setzt Buzz inzwischen Apple Silicon voraus („Buzz now requires Apple silicon“), unter Windows ist der Build unsigniert, Linux gibt es als Flatpak, Snap, AppImage und über PyPI. Vibe läuft auf macOS, Windows und Linux, bietet neben Whisper die Modelle Nemotron 3.5 und Parakeet TDT v3, Sprecherdiarisierung, Stapelverarbeitung und Export in SRT, VTT, TXT, HTML, PDF, JSON und DOCX; Zusammenfassungen sind wahlweise über die Claude-API oder lokal über Ollama möglich. „No data ever leaves your device“, so das Repository; eine Sprachenliste mit Deutsch veröffentlicht es nicht.

MacWhisper

Die Mac-App von Good Snooze (Jordi Bruin) ist das komfortabelste Werkzeug dieser Gruppe: lokale Transkription von Dateien, automatische Sprechererkennung, Untertitel mit Videovorschau, Export in sieben Formaten von SRT bis DOCX, dazu systemweites Diktat. Die Grundversion ist „Free forever“, Pro kostet 64 € als Einmalkauf mit Lifetime-Updates, in Euro. Wer möchte, hinterlegt eigene API-Schlüssel für OpenAI, Anthropic, Google oder lokale Sprachmodelle über Ollama; was bei Cloud-Modellen übertragen wird, steht nicht auf der Seite. Welche Funktionen Free und welche Pro sind, ist dort ebenfalls nicht eindeutig markiert. Preisquelle: Startseite von MacWhisper.

Diktat offline: superwhisper, VoiceInk, Spokenly, OpenWhispr, Voibe, Monologue

Für das Diktieren in Echtzeit braucht es Modelle, die auf einem Notebook ohne Wartezeit antworten. superwhisper liefert lokales Whisper-Diktat kostenlos und unbegrenzt, bezahlt wird die Cloud-Nachbearbeitung mit 8,49 $ im Monat oder 249,99 $ als Lifetime; der Anbieter sagt klar, dass die Offline-Modelle gut nur auf Apple Silicon laufen und Intel-Macs Cloud-Modelle brauchen. VoiceInk geht den konsequentesten Weg: Parakeet und WhisperKit auf der Neural Engine, nur Apple Silicon ab macOS 14.4 mit empfohlenen 8 GB RAM, Einmalpreis ab 25 $; die optionale Cloud-Verbesserung sendet nur Text. Spokenly bietet einen Local-Modus ohne Konto für null Dollar mit Whisper und Parakeet auf macOS, Windows, Linux und als iOS-Tastatur. OpenWhispr ist MIT-lizenziert, nennt Deutsch ausdrücklich und lädt lokale Whisper-Modelle von Tiny mit 75 MB bis Turbo mit 1,6 GB; der Pro-Plan für 80 $ im Jahr betrifft nur die Cloud-Transkription.

Voibe nennt Deutsch namentlich und arbeitet on-device auf Apple Silicon, unter Windows jedoch nur über die Cloud. Monologue von Every nutzt lokale Modelle auf dem Mac („no connection required“), braucht für Smart Formatting und Sync aber eine Verbindung. Bei den Sprachnotizen transkribiert Cleft Notes auf dem Gerät, lässt den Cloud-Anteil der Zusammenfassung aber unerklärt. Was diese Apps über die reine Erkennung hinaus leisten, vergleicht die Seite Diktieren statt Tippen.

Was das Betriebssystem offline kann

Der Windows-11-Sprachzugriff lädt beim Einrichten einmalig ein Sprachmodell für die gewählte Sprache herunter und erkennt danach „without an internet connection“; Deutsch gibt es als „German (Germany)“. Apple Diktat führt German im Abschnitt „On-Device and Modeless Dictation“, einzelne Varianten mit dem Vermerk, dass Sprachmodelle nachgeladen werden; in den Tastatureinstellungen zeigt iOS an, ob eine Sprache „processed on your device and not sent to Siri servers“ wird. Googles „Advanced voice typing“ auf Pixel 6 und neuer hält den Text laut Hilfeseite auf dem Gerät, Deutsch ist eine der sechs Sprachen. Für Samsung konnten wir keine offizielle Übersicht abrufen, welche Galaxy-AI-Funktionen offline laufen.

Hardware: was dein Rechner braucht

Die Anbieter nennen ihre Anforderungen unterschiedlich genau; hier steht nur, was sie selbst veröffentlichen.

• Apple Silicon ist bei VoiceInk Pflicht (macOS 14.4 und neuer, 8 GB RAM empfohlen), bei Buzz auf dem Mac ebenfalls, bei superwhisper und Voibe die Voraussetzung für den Offline-Modus. Intel-Macs sind bei superwhisper auf Cloud-Modelle angewiesen.
• Grafikspeicher bestimmt die Modellgröße: Whisper tiny etwa 1 GB, large etwa 10 GB, large-v3-turbo etwa 6 GB laut OpenAI; die whisper.cpp-Dateien liegen zwischen 273 MB und 3,9 GB.
• Festplatte: Der noScribe-Installer ist rund 3 GB groß; OpenWhispr lädt Modelle von 75 MB bis 1,6 GB nach.
• Rechenzeit: eine Interviewstunde braucht in noScribe laut Autor ein bis drei Stunden; eine NVIDIA-GPU mit CUDA beschleunigt. Zum Vergleich: Der Cloud-Dienst f4x nennt etwa acht Minuten je Audiostunde.
• Beschleuniger: whisper.cpp nutzt Core ML und Metal auf dem Mac, CUDA, Vulkan, OpenVINO und ROCm auf anderen Systemen.

Für Diktat in Echtzeit genügen die kleinen Modelle, für die Transkription einer Vorlesung mit mehreren Sprechern willst du das größte Modell, das in deinen Speicher passt, und Zeit. Ob ein eigenes Gerät mit lokaler Erkennung die bessere Wahl ist, klärt die Seite Gerät oder App.

Welche Offline-Lösung für wen