Was Spracheingabe ist: der Weg von deiner Stimme zum Text auf dem Bildschirm
Spracheingabe, Transkription und Sprachsteuerung sind drei verschiedene Dinge. Was Diktieren wirklich macht, welche Stufen zwischen Mikrofon und Cursor liegen und wo jede davon laufen kann.
Kurz gesagt
Spracheingabe macht aus dem, was du sagst, bearbeitbaren Text genau in dem Feld, in dem dein Cursor steht. Unterwegs wird der Ton aufgenommen und digitalisiert, ein Spracherkennungsmodell ermittelt die wahrscheinlichsten Wörter, und eine optionale Bereinigung setzt Satzzeichen und entfernt Füllwörter. Jede Stufe kann auf deinem Gerät oder bei einem entfernten Dienst laufen, und jede beeinflusst Genauigkeit, Tempo und Datenschutz auf ihre eigene Weise.
Du sagst
erinner mich am montag die bank anzurufen ähm und nach dem kartenlimit zu fragen
SayVelio schrieb
Erinner mich, am Montag die Bank anzurufen und nach dem Kartenlimit zu fragen.
Drei Dinge, die man „Sprache zu Text“ nennt
Ein Begriff steht für drei verschiedene Aufgaben, und es hilft, sie auseinanderzuhalten:
- Diktieren (Spracheingabe) fügt Text, den du bearbeiten kannst, in eine App ein: eine E-Mail, einen Chat, ein Dokument. Du sprichst statt zu tippen und behältst die Kontrolle über das Ergebnis.
- Transkription erstellt eine schriftliche Fassung von Gesprochenem, das schon stattgefunden hat: ein Meeting, ein Interview, eine Vorlesung. Kein Cursor wartet darauf.
- Sprachsteuerung nutzt erkannte Sprache, um etwas zu tun: eine App öffnen, eine Nachricht senden, einen Timer stellen. Die Wörter sind ein Befehl, kein Text.
Alle drei nutzen Spracherkennung, aber wer das eine hat, hat nicht automatisch das andere. SayVelio ist ein Diktierwerkzeug: Es schreibt auf, was du sagst. Es führt keine gesprochenen Befehle aus und ist kein Chatbot, also kommt „schreib Anna, dass ich einverstanden bin“ genau so an. Wie du formulierst, damit der gewünschte Text entsteht, zeigt der Leitfaden zum guten Diktieren.
Der Weg vom Mikrofon zum Cursor
Jedes Diktat durchläuft ungefähr dieselbe Kette. Manche Systeme legen Schritte zusammen, zeigen Wörter schon beim Sprechen oder überspringen die optionalen, aber die Reihenfolge bleibt gleich:
- Aufnahme. Das Mikrofon macht aus Luftdruck ein elektrisches Signal, das Gerät daraus Zahlen. Mehr: wie Mikrofone Sprache aufnehmen.
- Vorbereitung. Der Ton kann ausgepegelt, von Echo oder Rauschen befreit und in Stücke geteilt werden. Mehr: Rauschunterdrückung und Spracherkennung im Signal.
- Erkennung. Ein Modell schätzt, welche Wörter gesagt wurden. Mehr: wie Spracherkennung funktioniert.
- Bereinigung (optional). Satzzeichen, Großschreibung, Zahlen und Absätze kommen dazu, Füllwörter fliegen raus. Mehr: vom Transkript zum Text.
- Prüfen und Einfügen. Der Text landet am Cursor, wo du ihn lesen und korrigieren kannst. Mehr: was eine gute Sprachoberfläche ausmacht.

Das Ergebnis ist eine beste Schätzung, keine Aufzeichnung deiner Absicht
Erkennung ist Statistik. Das System wählt die Wortfolge, die am besten zum Ton und zu dem passt, was es aus Millionen Beispielen gelernt hat. Deshalb kann der Text sich gut lesen und trotzdem vom Gesagten abweichen, vor allem bei Namen, Zahlen und seltenen Begriffen. Darum lassen dich gute Diktierwerkzeuge Wörter beibringen (ein Wörterbuch) und halten den Text leicht prüfbar und korrigierbar.
Wo jede Stufe läuft
Jeder Schritt kann auf deinem Gerät, bei einem entfernten Dienst oder teils hier, teils dort laufen:
- Bei einem entfernten Dienst geht die Aufnahme über eine verschlüsselte Verbindung an einen Anbieter für Spracherkennung, der Text zurückschickt. So bekommst du die größten, genauesten Modelle.
- Auf dem Gerät erkennt ein auf Computer oder Handy geladenes Modell die Sprache: Nichts verlässt das Gerät, und es funktioniert ohne Internet. Lokale Modelle sind meist kleiner und auf älterer Hardware langsamer.
In SayVelio geht die Aufnahme direkt von deinem Gerät zum Anbieter der Spracherkennung und, wenn die Bereinigung an ist, das Transkript zum Anbieter des Sprachmodells; unsere Server erhalten weder deine Aufnahmen noch deinen Text. Außerdem kannst du auf Mac, Windows, iPhone und Android ein optionales Offline-Modell laden und ganz ohne Verbindung diktieren (Offline-Diktate laufen ohne Bereinigung). Details stehen im Artikel Datenschutz bei der Spracheingabe.
Was die Qualität des Ergebnisses bestimmt
Genauigkeit, Tempo und Datenschutz hängen an verschiedenen Gliedern der Kette:
- Genauigkeit hängt vor allem von Mikrofon, Raum und Erkennungsmodell ab, dazu von Hinweisen wie einem Wörterbuch.
- Formatierung hängt von der Bereinigung ab: wie Zahlen, Listen und Satzzeichen geschrieben werden.
- Tempo hängt von der Länge der Aufnahme, dem Netz und davon ab, ob die Bereinigung läuft. Mit den Diktiermodi tauschst du etwas Feinschliff gegen Tempo.
- Datenschutz hängt davon ab, wer Ton und Text erhält und was jeder davon speichert.
Häufige Fragen
Kann Spracheingabe komplett offline funktionieren?
Ja, wenn das Erkennungsmodell auf dem Gerät läuft. Viele Apps hängen dagegen von einem Netzdienst ab: Dass ein Gerät ohne Internet aufnehmen kann, heißt nicht, dass die App ohne Internet transkribiert. SayVelio bietet ein optionales Offline-Modell auf allen vier Plattformen.
Ist Spracheingabe dasselbe wie ein Sprachassistent?
Nein. Ein Sprachassistent versteht das Gesagte als Bitte und handelt. Spracheingabe schreibt deine Worte auf, damit du sie selbst bearbeitest und abschickst.


