Kurzfassung

Zwischen dem gesprochenen Satz und dem fertigen Text liegen fünf Schritte. Lokal und Cloud unterscheiden sich fast nur in einem davon — aber genau der entscheidet, wohin der Ton reist. Ich baue NotesScript bewusst lokal. Was das bringt, was es kostet und wann die Cloud trotzdem vertretbar ist, steht hier.

Ein Satz ist gesprochen. Zwei Sekunden später steht er als Text auf dem Display.

Dazwischen passiert erstaunlich viel. Und die wichtigste Frage dabei ist nicht, wie gut die Erkennung ist. Sondern: Wo ist der Ton in diesen zwei Sekunden gewesen?

Seit dem Frühjahr 2026 baue ich an NotesScript Translate, einer App, die mitschreibt und übersetzt, während gesprochen wird. Entstanden ist sie, weil ich in Vorträgen nicht alles verstanden habe. Die Grundentscheidung stand von Anfang an fest: Die Spracherkennung läuft auf dem iPhone. Kein Upload, kein Konto, auch im Flugmodus. Die iPhone-Fassung kannst du als kostenlose Beta schon herunterladen.

Wer erst einmal wissen will, was „lokal“ überhaupt bedeutet, findet das ohne Fachbegriffe in Diktieren, ohne dass jemand mithört. Dieser Artikel geht einen Schritt weiter: Was passiert technisch, wo liegen die Grenzen — und wann die Cloud trotzdem in Ordnung ist.

Der Weg vom Mikrofon zum Text

Egal ob lokal oder in der Cloud, die Kette ist im Kern dieselbe:

  1. Aufnahme: Das Mikrofon liefert einen Strom aus Zahlen, tausende Werte pro Sekunde.
  2. Aufbereitung: Das Signal wird in kurze Stücke geschnitten und in eine Form gebracht, mit der ein Sprachmodell rechnen kann.
  3. Erkennung: Das Modell schätzt, welche Wörter am wahrscheinlichsten gesagt wurden. Schätzt, nicht weiß — dazu gleich mehr.
  4. Nachbearbeitung: Satzzeichen, Groß- und Kleinschreibung, Zahlen. Bei NotesScript zusätzlich die Übersetzung in die zweite Sprache.
  5. Weitergabe: Der Text landet dort, wo er gebraucht wird — kopiert oder exportiert als Text, Markdown, JSON oder Untertiteldatei.

Der Unterschied zwischen lokal und Cloud steckt fast nur im dritten Schritt. Und genau der entscheidet, wohin der Ton reist.

Cloud: Der Ton geht auf Reisen

Bei einem Cloud-Dienst wird die Aufnahme an einen Server geschickt, dort erkannt, und der Text kommt zurück.

Das hat echte Vorteile. Die Server haben mehr Rechenleistung, die Modelle können größer sein, und das Gerät bleibt kühl.

Aber: Die Aufnahme hat das Gerät verlassen. Ab diesem Moment hängt die Vertraulichkeit an den Bedingungen eines Anbieters, an dessen Speicherfristen und Unterauftragnehmern. Für eine Einkaufsliste ist das egal. Für ein Mandantengespräch, eine Arztnotiz oder eine interne Besprechung nicht.

Lokal: Das Gerät rechnet selbst

Bei der lokalen Variante liegt das Sprachmodell auf dem Gerät. Aktuelle Smartphones und Macs haben dafür eigene Recheneinheiten, die genau für solche Aufgaben gebaut sind.

Was man gewinntWas man in Kauf nimmt
Der Ton verlässt das Gerät nicht — als Eigenschaft der Architektur, nicht als Einstellung, die man vergessen kann.Das Modell muss klein genug für das Gerät sein. Ältere Geräte brauchen spürbar länger.
Es funktioniert ohne Netz: im Zug, im Keller, im Flugmodus.Akku und Wärme werden ein Thema, wenn eine Stunde am Stück mitgeschrieben wird.
Keine laufenden Kosten pro Minute.Namen und Fachwörter bleiben die Schwachstelle — wie bei jeder Erkennung.

Die letzte Zeile lässt sich lokal gut auffangen: In NotesScript korrigiert man einen Namen einmal, und die Korrektur gilt für die ganze Mitschrift.

Die unbequeme Wahrheit: Erkennung ist eine Schätzung

Kein System „hört“ wirklich. Jedes Modell rechnet Wahrscheinlichkeiten aus und entscheidet sich für die plausibelste Variante.

Das hat eine Nebenwirkung, die mir erst spät klar wurde: Viele Modelle glätten. Ein „äh“, ein abgebrochener Satz, ein Versprecher fällt einfach weg, weil das Modell gelernt hat, sauberen Text zu liefern.

Für eine Mitschrift ist das meistens gewollt. Wer einen Vortrag nachlesen will, braucht die Füllwörter nicht. Für andere Aufgaben ist genau das ein Problem.

Lokal oder Cloud? Eine Faustregel

Lokal ist nicht in jedem Fall die einzig richtige Antwort. Ein öffentlicher Vortrag, der ohnehin im Netz steht, verliert nichts, wenn er auf einem Server transkribiert wird. Ein Gespräch mit einem Mandanten schon.

Die Regel, nach der ich selbst entscheide:

  • Je vertraulicher das Gesprochene, desto stärker das Argument für lokal.
  • Je spezieller die Aufgabe und je öffentlicher das Material, desto eher darf es die Cloud sein.

Die Frage ist also nicht „lokal oder Cloud?“, sondern: Was ist das für ein Gespräch, und wer darf es hören?

Drei schnelle Prüfungen für jede „lokale“ App

Viele Apps werben mit Datenschutz. Drei Fragen, die ich mir bei jedem Werkzeug stelle, auch bei meinem eigenen:

  1. Funktioniert die Erkennung im Flugmodus? Das ist der einfachste und ehrlichste Test.
  2. Welche Version läuft gerade? Manche Apps haben eine lokale und eine Cloud-Variante. Nicht immer ist sichtbar, welche aktiv ist.
  3. Wohin gehen Zusatzfunktionen? Oft ist die Erkennung lokal, die KI-Zusammenfassung danach aber nicht. Lokal erkannt heißt nicht automatisch lokal verarbeitet.

Wer tiefer einsteigen will — Datensouveränität, Prüfbarkeit, Architektur —, findet die ausführliche Fassung in Lokale Transkription richtig gemacht.

Wo NotesScript gerade steht

Die iPhone-Fassung ist seit dem 15. September 2026 als offene Beta verfügbar, kostenlos und ohne Warteliste[1]. Android folgt später; einen Termin nenne ich erst, wenn er hält.

Ich baue das nicht, um groß zu werden. Ich baue es, damit man in einem Vortrag, einem Gespräch oder einer fremden Sprache mitkommt, ohne dafür seine Worte an einen Server zu geben.

NotesScript Translate selbst ausprobieren

Die iPhone-Beta ist offen: kostenlos, ohne Konto in der App und ohne Warteliste. Nach der Anmeldung mit Vorname und E-Mail geht es direkt weiter zum Download über TestFlight.

Zur Beta auf notesscript.de →

Quellenverzeichnis

  1. notesscript.de, abgerufen am 10.11.2026 (iOS-Beta seit 15. September 2026, kostenlos während der Beta).

Transparenz: NotesScript ist meine eigene App; es gibt keine Kooperation mit anderen Anbietern und keine Provision. Alle Angaben ohne Gewähr. Der Artikel wurde mit KI-Unterstützung (Claude) recherchiert und geschrieben; die Fakten wurden an den genannten Quellen geprüft, die redaktionelle Verantwortung liegt bei Marco Fuhrmann.