Transkription

Einstellungen → Transkription legt fest, wie aus Ton Text wird: in welcher Sprache und mit welchem Spracherkenner.

Ein Gespräch wird transkribiert, wenn Sie es im Aufnahmefenster verlangen, oder von selbst, wenn unter Verarbeitung Gespräche automatisch verarbeiten eingeschaltet ist. Ein Spracherkenner auf Ihrem eigenen Rechner kostet im Betrieb nichts; einer in der Cloud berechnet jede Minute Ton.

Sprache

Sprache ist ein zweibuchstabiger Sprachcode nach ISO 639-1 (en, de, es, fr, sr…). Lassen Sie ihn leer, und der Spracherkenner entscheidet — das ist richtig, sofern Ihre Gespräche nicht in einer Sprache geführt werden, die er immer wieder falsch versteht.

Spracherkenner

Ein Spracherkenner ist ein Sprache-zu-Text-Dienst, an den das Telefon Ton sendet. Mit Hinzufügen fügen Sie einen hinzu; die Taste Prüfen im Formular stellt fest, ob der Dienst wirklich antwortet. Jeder steht mit seinem Namen und darunter dem Modell und der Adresse seines Dienstes in der Liste. Im Bild sind es vier:

Name	Modell	Adresse
X.ai	(leer: das Standardmodell des Dienstes)	https://api.x.ai/v1
ElevenLabs	scribe_v2	https://api.elevenlabs.io/v1
Deepgram	nova-2	https://api.deepgram.com/v1
OpenAI	gpt-4o-transcribe	https://api.openai.com/v1/

Der mit Vorgabe rechts in seiner Zeile markierte (im Bild X.ai) wird verwendet, wenn Sie keinen anderen wählen. Sie können mehrere behalten. Die Auswahlliste über einem Transkript im Aufnahmefenster führt die Transkripte der einzelnen Spracherkenner auf.

Das Modell darf leer bleiben. Der Dienst verwendet dann sein eigenes Standardmodell.

Welches Modell wählen

Die Tabelle führt die Sprache-zu-Text-Modelle der vier Dienste aus dem Bild auf. Die fett gedruckten Modelle sind die im Bild eingerichteten. Beim Spracherkenner X.ai ist das Modell leer, deshalb wird das Standardmodell des Dienstes verwendet, grok-voice-transcribe-2.0.

Dienst und Adresse	Modell	Wofür
OpenAI https://api.openai.com/v1	gpt-transcribe	Das von OpenAI empfohlene Modell für aufgenommene Sprache in der Originalsprache.
	gpt-4o-transcribe	Allgemeine Transkription.
	gpt-4o-mini-transcribe	Eine leichtere, günstigere Variante des vorigen.
	gpt-4o-transcribe-diarize	Kennzeichnet, wer wann spricht. Nur verwenden, wenn Sie das brauchen.
	whisper-1	Das ältere Whisper-Modell, für besondere Zwecke wie Wortzeitstempel und Untertitel beibehalten.
ElevenLabs https://api.elevenlabs.io/v1	scribe_v2	Allgemeine Transkription in über 90 Sprachen, mit Sprechertrennung.
	scribe_v2_medical	Dasselbe, abgestimmt auf klinische Aufnahmen.
	scribe_v1	Die erste Generation; veraltet, verwenden Sie scribe_v2.
Deepgram https://api.deepgram.com/v1	nova-3	Das beste allgemeine Modell von Deepgram, für Besprechungen, laute und mehrsprachige Aufnahmen.
	nova-2	Die vorige Generation; behalten Sie sie für Sprachen, die nova-3 noch nicht unterstützt.
	enhanced	Eine ältere Stufe mit niedrigerer Fehlerquote als base.
	base	Die älteste Stufe, für große Mengen.
	whisper	Whisper, betrieben von Deepgram.
X.ai https://api.x.ai/v1	grok-voice-transcribe-2.0	Der Standard; 25 Sprachen.
	grok-voice-transcribe-1.0	Veraltet: Der Dienst leitet ihn auf 2.0 um.

Gut zu wissen, bevor Sie wählen:

• Dateigröße. OpenAI nimmt Dateien bis 25 MB an, X.ai bis 500 MB. Ein langes Gespräch kann größer sein, als ein Cloud-Dienst annimmt.
• Preis. Cloud-Dienste berechnen nach Minuten Ton, und die Tarife unterscheiden sich je Modell und ändern sich; lesen Sie sie auf der Seite des Dienstes, bevor Sie wechseln.
• Sprachen. Jeder Dienst hat seine eigene Liste; prüfen Sie Ihre und setzen Sie den Code unter Sprache, wenn der Spracherkenner falsch rät.
• Echtzeitmodelle wie scribe_v2_realtime oder flux von Deepgram sind für Live-Streams gemacht und stehen nicht in der Tabelle: Das Telefon transkribiert fertige Aufnahmen.

Die Modellliste eines Dienstes ändert sich oft. Fehlt hier ein Modell, das Sie möchten, steht die aktuelle Liste in der Dokumentation des Dienstes — OpenAI, ElevenLabs, Deepgram, X.ai —, das Modell ist der Name genau so, wie der Dienst ihn angibt.

Eigene Modelle

Ein Spracherkenner muss kein Cloud-Dienst sein. Das Telefon kann jedes Modell verwenden, das über die OpenAI-kompatible API bereitgestellt wird — die Schnittstelle POST /v1/audio/transcriptions —, ob es lokal auf Ihrem Rechner oder auf einem eigenen Server läuft. Der Ton verlässt nie Ihre Räume, nichts wird pro Minute berechnet, und die Menge ist unbegrenzt.

Um eines hinzuzufügen, drücken Sie Hinzufügen und geben an:

• die Adresse des Servers bis einschließlich /v1, zum Beispiel http://localhost:8000/v1 für den Rechner selbst oder http://asr.local:8080/v1 für einen Server in Ihrem Netz;
• den Namen des Modells genau so, wie der Server ihn auflistet, zum Beispiel openai/whisper-large-v3-turbo.

Was sich verwenden lässt

Die übliche Wahl ist Whisper, das offene Spracherkennungsmodell von OpenAI. Es ist kostenlos nutzbar, versteht rund hundert Sprachen und gibt es in mehreren Größen: Ein kleines Modell läuft auf einem gewöhnlichen Rechner, die großen sind spürbar genauer und bekommen am besten eine Grafikkarte.

Modell	Hinweise
whisper-large-v3	Das genaueste Whisper. Für einen Server mit GPU.
openai/whisper-large-v3-turbo	Eine schnellere Fassung von large-v3 mit geringem Genauigkeitsverlust.
Systran/faster-whisper-large-v3	large-v3, umgewandelt für die Engine faster-whisper; schneller und sparsamer im Speicher.
medium, small, base	Kleinere Whisper-Modelle, für einen Rechner ohne Grafikkarte.

Whisper ist das Modell, um das diese Server gebaut sind. Einige von ihnen können auch andere Spracherkennungsmodelle bereitstellen, etwa NVIDIA Parakeet.

Server mit OpenAI-kompatibler API

Das Modell muss von einem Server betrieben werden, der den OpenAI-kompatiblen Endpunkt /v1/audio/transcriptions anbietet. Diese tun es:

Server	Was er ist
vLLM	Ein leistungsfähiger Modellserver. Stellt Whisper nach dem Start unter http://localhost:8000/v1 bereit.
Speaches	Ein Server für Sprachmodelle, „Ollama für Sprache“, auf Basis von faster-whisper. Lädt ein Modell, wenn es zum ersten Mal verlangt wird.
whisper.cpp	Betreibt Whisper effizient auf der CPU, auch auf Apple Silicon. Sein whisper-server wird mit --inference-path /v1/audio/transcriptions gestartet.
LocalAI	Ein direkter OpenAI-Ersatz, der Modelle lokal betreibt.

Jeder andere Server mit demselben Endpunkt funktioniert genauso. Braucht ein Server einen Schlüssel, geben Sie ihn wie bei einem Cloud-Dienst ein.

Bevor Sie sich auf einen Server verlassen, machen Sie eine Testaufnahme und sehen Sie sich das Transkript im Aufnahmefenster an: Ein Gespräch in einer Sprache, die das Modell schlecht kennt, zeigt es sofort.