Diktat

Sprechen statt tippen, in jedem Textfeld der Anwendung: im Notiz-Editor, im Mail-Entwurf, im Suchfeld, im Chat, in einem Formular. Der Text steht dort, wo der Cursor steht — Wort für Wort, etwa eine halbe Sekunde nachdem du es gesagt hast.

Alles geschieht auf diesem Rechner: die Sprachmodelle rechnen hier, ohne Netz, ohne Konto. Nichts, was du sagst, verlässt den Rechner.

Einmal vorbereiten: das Modell laden#

Einstellungen → Diktat → Sprachmodelle: bei Nemotron 3.5 Streaming auf Laden klicken (682 MB, einmal). Der Download läuft in der Leiste unten weiter, auch wenn du die Einstellungen schliesst; ein abgebrochener Download setzt beim nächsten Laden fort. Jedes Modell wird gegen seine Prüfsumme geprüft, bevor es benutzt wird.

Zwei Modelle sind freiwillig — sie lesen das Gesprochene noch einmal und tippen die genauere Fassung darüber: an jeder Pause, und wer lange ohne Pause spricht, spätestens alle 10 Sekunden (mit 5 Sekunden davor, damit der Anfang nicht aus dem Zusammenhang fällt):

Whisper rechnet über whisper.cpp. Das ist nicht in jedem Bau der Anwendung enthalten; fehlt es, sagt es die Zeile in den Einstellungen („whisper.cpp fehlt in diesem Bau"). Wer aus dem Quelltext baut, holt es einmal mit ./gradlew whisperCpp dazu — mit CUDA, wenn die CUDA-Werkzeuge installiert sind, mit Vulkan, wenn die Vulkan-Header da sind.

Nachlesen stellt ein, wer nachliest: Automatisch nimmt Parakeet für Deutsch und Englisch und Whisper für Schwedisch — je nachdem, was geladen ist.

Nachgelesen wird nur, wenn dieser Rechner schnell genug ist: einen Abschnitt (10 s mit 5 s davor) in höchstens 1,5 s. Das misst das Diktat selbst, an einer Hörprobe von 15 s, bevor ein Modell zum ersten Mal nachliest, und wieder mit Prüfen und messen. In den Einstellungen steht unter jedem Modell, wie schnell es hier ist, und bei Nachlesen, wer gerade liest („jetzt: Parakeet"). Ist ein Modell zu langsam, schreibt Nemotron allein — auf einem Notebook ohne Grafikkarte ist das für Whisper der Normalfall. Wird es mitten im Diktat zu langsam (Akku, andere Last), setzt das Nachlesen aus, und die Leiste sagt es.

Mit Grafikkarte: Voxtral als Live-Motor#

Hat dein Rechner eine Grafikkarte mit 10 GB freiem Speicher, kann statt Nemotron Voxtral mitschreiben (Mistral, Voxtral Mini 4B Realtime). Es ist deutlich genauer — gemessen 3,6 statt 11,4 % Wortfehler auf gelesenen Wikipedia-Sätzen mit Namen und Zahlen —, schreibt mit Gross/klein und Satzzeichen und zeigt ein Wort etwa eine Sekunde nach dem Sprechen. Das zählt vor allem ausserhalb von Undan, wo nichts nachgelesen wird.

So schaltest du es ein: Einstellungen → Diktat → Sprachmodelle → bei Voxtral auf Laden (4,7 GB, einmal), dann unter Sprechen → Live-Motor Voxtral (Grafikkarte) wählen. Die Wahl erscheint erst, wenn eine Karte gerade genug frei hat; daneben steht, auf welcher Voxtral rechnet oder warum es nicht geht. Ist die Karte beim Start eines Diktats voll, sagt das Diktat es — es nimmt nicht still Nemotron.

Voxtral liest sich selbst nach: ein zweiter Strom hört dasselbe mit 2,4 s Verzögerung, schreibt genauer (gemessen 2,9 statt 3,6 % Wortfehler) und ersetzt die Wörter des Live-Texts rund zwei Sekunden später — blasser, bis sie ersetzt sind. Parakeet und Whisper lesen hinter Voxtral nicht nach (sie machten seinen Text schlechter). In fremden Apps schreibt nur der schnelle Strom, denn dort kann nichts mehr ersetzt werden. Schafft die Grafikkarte beide Ströme nicht in Echtzeit, setzt das Nachlesen aus, und die Leiste sagt es; ob sie es schafft, misst Prüfen und messen vorher. Die Sprache erkennt Voxtral selbst — Schwedisch kann es nicht, dafür bleibt Nemotron. Unten in der Leiste steht, wer gerade mitschreibt und wer nachliest. Nach fünf Minuten ohne Diktat gibt Voxtral die Grafikkarte wieder frei (sie braucht dann rund 20 W weniger); das nächste Diktat lädt es neu, das Mikrofon hört dabei schon.

Schreibt Voxtral nach einer Pause plötzlich klein und ohne Satzzeichen? Dann ist dein Mikrofon in den Pausen fast vollkommen still — meist durch eine Rauschunterdrückung oder Rauschsperre (in den Toneinstellungen des Systems, im Treiber oder in der App deines Headsets). Schalte sie für das Diktat aus; ein normales Grundrauschen hält Voxtral im Takt. Sonst nimm Nemotron.

Gerechnet wird über transcribe.cpp — wer aus dem Quelltext baut, holt es einmal mit ./gradlew transcribeCpp dazu (mit CUDA).

Welches Modell kann was?#

Einstellungen → Diktat → Sprachmodelle → Übersicht zeigt dasselbe:

Deutsch gemessen an 100 gelesenen Wikipedia-Sätzen verschiedener Sprecher (FLEURS), Schwedisch nach den Angaben der Hersteller. Voxtral kann Deutsch, Englisch, Französisch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Russisch, Arabisch, Hindi, Chinesisch, Japanisch und Koreanisch.

Diktieren#

• Ctrl+Shift+Leertaste beginnt das Diktat — in jedem Fenster der Anwendung, auch im Mail- oder Notizfenster. Noch einmal, oder Esc, beendet es. (Die Taste lässt sich unter Einstellungen → Tastatur umbelegen.)
• Oder der Mikrofon-Knopf oben rechts (neben Verlauf, Backup und Hilfe) — er gilt für die ganze Anwendung, auch im Mail-Entwurf und im Notiz-Editor.

Unten in der Mitte des Fensters erscheint die Leiste des Diktats:

• links die Wellen — so siehst du, dass das Mikrofon dich hört —, dann die Zeit;
• DE · EN · SV: die Sprache. Ein Wechsel gilt ab dem nächsten Satz, auch mitten im Diktat, und bleibt für das nächste;
• das Mikrofon: Standard ist das des Systems; ein Klick zeigt die anderen Geräte;
• Stopp (■) beendet; was du zuletzt gesagt hast, steht sofort da, und die Leiste geht zu — das Nachlesen läuft im Hintergrund zu Ende;
• darunter, was gerade gehört wird;
• unten offen lassen und Ende nach Stille: ohne Häkchen endet das Diktat von selbst, wenn so lange weder deine Stimme am Mikrofon war noch neuer Text kam noch eine Taste gedrückt wurde (2, 4, 8 oder 15 s). Mit Häkchen bleibt es offen, bis du es beendest. Beides merkt sich das Diktat.

Die Leiste nimmt dir nie die Tastatur: klickst du darauf, bleibt der Cursor, wo er war. Du verschiebst sie, indem du sie an ihrer Fläche ziehst — etwa nach rechts unten, wenn sie über deiner Notiz steht. Sie merkt sich den Platz für das nächste Mal (in jedem Fenster an derselben Stelle relativ zu dessen unterem Rand); ein Doppelklick stellt sie zurück in die Mitte. Diktierst du in ein anderes Programm, hat sie dort einen eigenen Platz (unten, „Ausserhalb von Undan").

Töne. Hört das Diktat zu, klingt ein leiser, heller Doppelton; endet es (Taste, Stopp, Pause), ein fallender. Abschalten: Einstellungen → Diktat → Sprechen → Töne.

Tippen und klicken, während du diktierst#

Du kannst jederzeit selbst eingreifen: Return für einen neuen Absatz, ein Klick in den Betreff, ein Wort von Hand korrigieren. Was du bis dahin gesagt hast, bleibt, wo es steht; was du danach sagst, steht an der neuen Schreibstelle. Die genauere Fassung des Nachlesers kommt trotzdem an ihre Stelle — auch wenn du inzwischen weiter oben oder unten schreibst. Hast du selbst in einen diktierten Satz hineingeschrieben, bleibt er so, wie du ihn hast: der Nachleser überschreibt dich nie.

Nachgelesen wird im Notiz-Editor und im Text einer Mail. In anderen Feldern — Betreff, Suche, Chat, Formulare — schreibt das Diktat den Text von Nemotron.

Ein Auftrag an die KI#

Was mehr ist als Text, sagst du der KI — mit einer eigenen Taste, Ctrl+Alt+Leertaste (umbelegbar unter Einstellungen → Tastatur):

• „Mach Satzzeichen und Absätze rein", „kürzer", „förmlicher", „als Liste" — das bezieht sich auf die Markierung, sonst auf das eben Diktierte, sonst auf den Absatz am Cursor. Markieren, Taste, sagen, was geschehen soll.
• „Schreib Irma, ob sie morgen den Keller ausräumen kann, und leg mir eine Aufgabe für Freitag an, nachzufragen" — die KI schlägt die Mail und die Aufgabe vor.

Die Leiste zeigt „Auftrag"; noch einmal die Taste (oder ■) schickt ab, Esc verwirft. Dann erscheint eine Karte: was die KI gerade tut, und ihr Ergebnis.

• Ein neuer Text steht als „Vorher" und „Neu" da: Return übernimmt ihn an seine Stelle — ein Ctrl+Z im Text nimmt es zurück —, Esc verwirft ihn. Hast du dort inzwischen selbst geschrieben, übernimmt die Karte nichts; der Vorschlag bleibt im KI-Chat.
• Vorschläge (eine Mail, eine Aufgabe, ein Termin) stehen in der Karte wie im KI-Chat: nichts geschieht ohne deinen Klick.
• Jeder Auftrag ist eine Sitzung im KI-Chat — das Chat-Symbol in der Karte öffnet sie, dort kann man nachfragen. Arbeitet der Chat gerade an etwas anderem, wartet der Auftrag.

Die Karte lässt sich verschieben wie die Leiste und merkt sich ihren Platz. Aufträge brauchen das Netz und dauern ein paar Sekunden; das Diktat selbst bleibt auf dem Rechner. Neue Befehlswörter gibt es dafür bewusst nicht: wohin und in welcher Form, bestimmen Tastatur und Maus, was geschehen soll, sagt der Auftrag.

Sprachbefehle#

Abgesetzt gesagt — mit einer kleinen Pause davor:

„Mit freundlichen Grüßen, neue Zeile, Peter" ergibt zwei Zeilen. Mitten im Satz — „wir brauchen eine neue Zeile im Formular" — bleibt es Text. Satzzeichen setzen die Modelle selbst.

Das erste Diktat nach dem Start lädt die Modelle (auf diesem Rechner unter einer Sekunde, auf einer langsamen Platte ein paar Sekunden). Das Mikrofon hört dabei schon — es geht nichts verloren, der Text kommt nur etwas später. Danach bleiben die Modelle geladen. Wer das erste Diktat ohne Wartezeit will, schaltet Einstellungen → Diktat → Beim Start laden ein.

Was im Feld geschieht#

Der Text erscheint, als würde er getippt — Zeichen für Zeichen, etwa eine halbe Sekunde nach dem Sprechen.

Mit Nachlesen steht, was noch nicht nachgelesen ist, blasser da — mit der halben Deckung seiner Farbe, ohne Strich darunter; in einem schon leisen Feld wie der Notiz einer Aufgabe eine Stufe leiser. Ein zweiter, breiterer und blasserer Cursor zeigt, wo der Nachleser steht. Kommt die genauere Fassung, tippt er sie über das Vorläufige, und sie steht in voller Farbe. Ohne Nachlesen gibt es weder Blasses noch zweiten Cursor.

Ctrl+Z nimmt zurück, was du seit deinem letzten eigenen Tastendruck diktiert hast (höchstens die letzten 10 Sekunden auf einmal) — samt der genaueren Fassung. Nach Return zwischen zwei Absätzen also erst den zweiten, dann den Umbruch, dann den ersten.

Hat kein Textfeld den Fokus (etwa weil ein anderes Programm vorn war), sammelt die Leiste den Text: „n Wörter warten". Ein Klick in ein Feld holt ihn mit dem nächsten Wort ab; nach dem Ende legt Kopieren ihn in die Zwischenablage.

Ausserhalb von Undan#

Auch wenn ein anderes Programm vorn ist — der Browser, ein Terminal, Slack — kann Ctrl+Shift+Leertaste diktieren. Einschalten unter Einstellungen → Diktat → Ausserhalb von Undan, „In andere Apps tippen".

Undan tippt die Wörter dann live in das Programm, das vorn ist, an die Stelle seines Cursors. Dort wird nur angehängt, nicht nachgelesen — Undan sieht nicht, was du inzwischen geklickt hast, und überschreibt deshalb nichts. Der Text ist der, den das Modell beim Sprechen hört; für den genauesten Text diktierst du in eine Notiz und kopierst ihn von dort. Ein gesagtes „neue Zeile" ist ein Return — in der Konsole führt es die Zeile aus.

Die Leiste steht dabei unten in der Mitte des Bildschirms. Ziehst du sie woandershin, bleibt sie dort, auch wenn der Text eine Zeile mehr braucht, und steht beim nächsten Mal wieder da — getrennt von ihrem Platz in den Fenstern von Undan. Ein Doppelklick stellt sie zurück.

Beim ersten Mal fragt das System: einmal, ob Undan die Taste belegen darf, und einmal, ob Undan die Tastatur bedienen darf. Beides merkt es sich. Die Taste änderst du danach in den Systemeinstellungen unter Kurzbefehle, Eintrag „Undan"; die Erlaubnis zum Tippen kannst du unter Einstellungen → Diktat vergessen, dann fragt das System wieder.

Ist ein Fenster von Undan vorn, diktiert die Taste wie immer ins Feld. Undan muss laufen. Bisher unter Linux; Windows und macOS folgen.

Rechnen#

Einstellungen → Diktat → Rechnen:

• Rechenkerne — wie viele Kerne das Diktat nehmen darf. Automatisch ist die Hälfte, höchstens 8: mehr macht Parakeet langsamer, und der Rest der Anwendung will auch rechnen. Nemotron nimmt davon höchstens 4.
• Grafikkarte — Whisper auf der Grafikkarte, wenn eine da ist (CUDA, Vulkan oder Metal). Nemotron und Parakeet rechnen immer auf der CPU.
• Prüfen und messen sagt, womit gerade gerechnet wird, etwa „whisper.cpp rechnet auf: CUDA0 — NVIDIA GeForce RTX 3090 Ti" und „Voxtral rechnet auf: NVIDIA GeForce RTX 3090 Ti (21,4 GB frei)", und misst jeden geladenen Nachleser neu an der Hörprobe.

Eine Änderung gilt ab dem nächsten Diktat.

Speicher#

Die Modelle belegen rund 1 GB, mit Nachlesen 1,8 GB, in einem eigenen Prozess (stürzt er ab, läuft die Anwendung weiter). Er gibt den Speicher erst zurück, wenn der Rechner knapp wird und eine Minute nicht diktiert wurde.

Lizenzen#

Nemotron 3.5 (NVIDIA) steht unter der OpenMDW-1.1, Parakeet v3 (NVIDIA) unter CC-BY-4.0, Whisper (OpenAI) unter MIT, Voxtral (Mistral) unter Apache-2.0; gerechnet wird mit sherpa-onnx (Apache-2.0), ONNX Runtime (MIT), whisper.cpp (MIT) und transcribe.cpp (MIT).