Offline Spracherkennung: Beste Lokale KI-Transkriptionssoftware

Whisper Notes erledigt die Spracherkennung auf dem Gerät, auf dem Mac wie auf dem iPhone.

Die kurze Antwort: Die beste Offline-Spracherkennung nach Plattform

Wenn Sie direkt eine Empfehlung suchen: Auf Mac und iPhone bietet Whisper Notes drei lokale KI-Engines zum Einmalkauf: $7.99 auf dem iPhone (derselbe Kauf im App Store schaltet auch die Version aus dem Mac App Store frei); auf dem Mac sind 5.000 Wörter pro Woche gratis, danach kostet die App einmalig $14. Unter Windows sind Buzz und faster-whisper gute kostenlose Open-Source-Lösungen. Für Android ist die Auswahl noch begrenzt. Alle Programme in der Tabelle funktionieren vollständig offline:

Im Rest dieses Leitfadens sehen Sie, warum lokale Transkription bei Latenz, Kosten und Datenschutz vorn liegt. Außerdem zeigen wir Schritt für Schritt, wie Sie Audio offline in Text umwandeln.

Das Latenzproblem

Cloud-Transkription läuft so ab: Sie sprechen, das Audio wird auf einen Server hochgeladen, eine API verarbeitet es, und das Ergebnis kommt zurück.

Bei lokaler Transkription fällt diese Verzögerung weg. Das Audio bleibt auf Ihrem Gerät, die Verarbeitung läuft direkt auf dem Chip, und das Ergebnis erscheint ohne Upload oder Server-Warteschlange.

Aktuelle iPhones und Macs mit Apple Silicon besitzen eigene Neural-Engine-Hardware für lokale KI. Ein Mac mit Apple Silicon nutzt damit Rechenleistung, die Sie bereits besitzen, statt erst Audio hochzuladen und auf eine entfernte Antwort zu warten.

2019 war Cloud-Transkription noch sinnvoll, denn ein Telefon konnte kein neuronales Netz mit einer Milliarde Parametern ausführen. Diese Grenze gibt es nicht mehr. Ein M4 Pro transkribiert 35 Minuten Audio mit Parakeet V3 in etwa 18 Sekunden und mit Whisper Turbo in rund drei Minuten, ohne dass etwas hochgeladen wird.

Für Live-Zusammenarbeit und zentral verwaltete Abläufe bleibt Cloud-Transkription sinnvoll. Für eine private Aufnahme, die nur Sie brauchen, ist der Upload oft unnötig.

Den Chip haben Sie schon bezahlt

Die Neural Engine in einem Mac der M-Serie oder einem aktuellen iPhone ist den größten Teil des Tages unbeschäftigt, und sie kann diese Modelle ausführen.

Diesen Chip haben Sie mit dem Gerät bezahlt. Mit einem Abo, das Ihr Audio auf fremden Servern transkribiert, bezahlen Sie ein zweites Mal für Rechenleistung, die Sie schon besitzen.

Solange lokale Inferenz unmöglich war, war das ein fairer Tausch. Heute lässt er sich schwerer begründen.

Über drei Jahre kostet ein Abo für $10 im Monat $360. Whisper Notes kostet einmalig $7.99 im App Store oder $14 für die Mac-Version von unserer Website. Was das Abo tatsächlich bezahlt, sind Live-Untertitel und gemeinsames Bearbeiten; wenn Sie beides nicht brauchen, bezahlen Sie für Rechenleistung, die Ihnen schon gehört.

Mit echten Listenpreisen gerechnet, für fünf Stunden Audio im Monat über ein Jahr:

Preise laut den Preisseiten von OpenAI und Otter, Stand Oktober 2026. Die OpenAI API setzt eigenen Code voraus.

Wir verlangen kein Abo, weil wir keine Server betreiben. Ihr Audio berührt unsere Infrastruktur nie, also gibt es nichts, was monatlich abzurechnen wäre.

Das Datenleck-Problem

Wenn Sie einen Cloud-Transkriptionsdienst nutzen, liegt Ihr Audio auf fremden Servern. Jeder Server, der Audio speichert, kann es preisgeben, durch einen Angriff, eine Fehlkonfiguration oder einen Mitarbeiter mit Zugriff, und solche Lecks kommen vor.

Sprachdaten tragen ein besonderes Risiko. Anders als ein Passwort lässt sich Ihre Stimme nicht zurücksetzen. Stimmmerkmale sind dauerhafte biometrische Kennzeichen; einmal geleakt, bleiben sie kompromittiert. Angreifer können Stimmabdrücke nutzen, um eine Sprach-Authentifizierung zu umgehen, Identitäten zu fälschen oder Deepfakes zu erzeugen.

Dieses Risiko verschwindet nur, wenn der Upload wegfällt. Audio, das nie gesendet wurde, kann in keinem Server-Leck auftauchen.

Wer nimmt sensibles Audio auf?

• Anwältinnen und Anwälte, die Mandantengespräche aufzeichnen
• Therapeutinnen und Therapeuten, die Sitzungen dokumentieren
• Journalistinnen und Journalisten, die ihre Quellen schützen
• Führungskräfte, die strategische Gespräche festhalten
• Ärztinnen und Ärzte, die Krankengeschichten notieren

In diesen Berufen muss man beantworten können, wo das Audio gespeichert ist. Lokale Transkription ist für vertrauliche Aufnahmen keine Vorliebe, sondern eine Anforderung.

Genauigkeit und ihre Kompromisse

Kein lokales Modell ist für jede Sprache und jede Aufnahme die beste Wahl. Parakeet ist besonders schnell bei Englisch und europäischen Sprachen, SenseVoice ist für Chinesisch, Japanisch, Koreanisch und Kantonesisch optimiert, und Whisper deckt die meisten Sprachen ab.

Was lokales Whisper besser kann: wortgetreue Transkription. Wenn Sie festhalten müssen, was genau gesagt wurde, mit jedem Wort, jeder Pause und jedem „äh“, sind lokale Whisper-Modelle stark. Auf sauberem englischem Audio liegen die Wortfehlerraten bei etwa 5–8 % (Open ASR Leaderboard); Störgeräusche und Akzente treiben sie nach oben. Das Transkript bleibt nah am Gesprochenen.

Was ein Sprachmodell ergänzt: Zusammenfassungen und Auswertung. Ein lokales Modell wie Gemma, das Whisper Notes in der Mac-Version von unserer Website ausführt, macht aus einem Transkript eine Zusammenfassung und eine Aufgabenliste. Größere Cloud-Modelle werten lange, unübersichtliche Transkripte noch besser aus; für „Welche Entscheidungen wurden getroffen?“ nach einem zweistündigen Meeting sind sie das stärkere Werkzeug.

Wenn Ihr Ablauf „lokal transkribieren, dann mit Claude oder GPT zusammenfassen“ lautet, bekommen Sie beides: ein genaues lokales Transkript und eine Zusammenfassung aus der Cloud. Das Roh-Audio bleibt privat; nur der Text, den Sie teilen, verlässt Ihr Gerät.

Lokale KI löst nicht jeden Teil des Ablaufs. Spracherkennungsmodelle sind gut im Transkribieren; große Sprachmodelle können das Ergebnis besser zusammenfassen und auswerten. Behalten Sie das Audio lokal und wählen Sie ein lokales oder ein Cloud-Sprachmodell danach, wie vertraulich der Text ist.

Messwerte aus echten Tests

Welches lokale Modell Sie wählen, macht einen großen Unterschied. Whisper Notes führt alle drei auf Mac und iPhone aus, und das Modell wählen Sie in den Einstellungen; Parakeet ist die schnelle Standardoption für Englisch und europäische Sprachen, SenseVoice ist auf Chinesisch, Japanisch, Koreanisch und Kantonesisch spezialisiert, und Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) deckt mit 100+ Sprachen den größten Bereich ab.

Methode: Whisper Notes auf einem Apple M4 Pro mit 32 GB RAM; gemessen wurde die Zeit vom Start der Transkription bis zum fertigen Text. Parakeet verarbeitete eine 35-minütige Aufnahme. SenseVoice und Whisper liefen mit demselben 27-minütigen chinesischen Podcast. Es handelt sich um Produkttests, nicht um einen Vergleich mit Cloud-Anbietern.

Laut aktuellem App-Store-Eintrag verarbeitet Parakeet fünf Minuten Audio auf einem iPhone 15 in etwa 18 Sekunden; Whisper braucht ungefähr eine Minute. Ältere Geräte sind langsamer. Im Flugmodus laufen beide weiter, weil kein Upload stattfindet.

Audio offline in Text umwandeln: Schritt für Schritt

Auf dem Mac:

1. Laden Sie Whisper Notes für Mac herunter. 5.000 Wörter pro Woche sind gratis, ein Konto brauchen Sie nicht.
2. Wählen Sie in den Einstellungen ein Modell: Parakeet V3 für schnelle Transkription auf Englisch und in europäischen Sprachen, SenseVoice für Chinesisch, Japanisch, Koreanisch oder Kantonesisch und Whisper Large V3 Turbo für 100+ Sprachen. Das Modell wird einmal geladen und funktioniert danach offline.
3. Nehmen Sie direkt auf oder ziehen Sie eine Audio- bzw. Videodatei in die App (MP3, WAV, M4A oder MP4).
4. Aktivieren Sie für Online-Meetings die Meeting-Erkennung. Zoom, Teams und Google Meet werden automatisch erkannt; Systemton und Mikrofon werden gemeinsam aufgenommen, und die Transkription bleibt auf Ihrem Mac.
5. Während der Verarbeitung erscheint der Text fortlaufend. Anschließend können Sie ihn als TXT, SRT oder VTT exportieren oder direkt kopieren. Ein importiertes Video öffnet sich in einem Untertitel-Arbeitsbereich, in dem Sie die Untertitel vor dem Export ansehen und korrigieren können.

Auf dem iPhone: Installieren Sie Whisper Notes aus dem App Store, nehmen Sie Audio auf oder importieren Sie es aus Sprachmemos bzw. Dateien. Die Transkription läuft auf dem A-Serie-Chip. Wenn Sie prüfen möchten, dass nichts hochgeladen wird, schalten Sie vorher den Flugmodus ein. Zum Automatisieren gibt es in der Kurzbefehle-App die Aktion „Transcribe Audio“: Sie nimmt eine Audiodatei entgegen und gibt den Text zurück.

Praktische Umsetzung

So setzt Whisper Notes diese Prinzipien um. Einige Entscheidungen im Einzelnen:

Sperrbildschirm-Widget

Gute Gedanken kommen oft im ungünstigsten Moment. Deshalb gibt es Widgets für den Sperrbildschirm: Einmal tippen, und die App öffnet sich und startet eine Offline-Aufnahme, ohne Suchen nach der App und ohne Verbindungsprüfung.

Modelle passend zur Hardware

Ein Mac hat thermische Reserven und reichlich Leistung, ein iPhone steckt in der Hosentasche. Beide führen dieselben Modellfamilien aus, jeweils auf die Hardware abgestimmt: Parakeet V3 (Standard), Whisper Large-v3 Turbo (809 Mio. Parameter) auf dem Mac bzw. Whisper Small auf dem iPhone, dazu SenseVoice. Der Datenschutz ist auf beiden Geräten derselbe.

Initial Prompts (Fachvokabular)

Jedes Fach hat Begriffe, die Whisper nicht standardmäßig erkennt. Medizinische Terminologie, juristische Ausdrücke, Firmennamen, technische Abkürzungen. Initial Prompts teilen dem Modell mit: „Diese Wörter werden vorkommen, bitte korrekt erkennen.“ Gerade solche Begriffe möchte man oft am wenigsten hochladen; die Initial Prompts bleiben auf dem Gerät und werden nicht zu Trainingsdaten.

Auf dem iPhone kommen Namen und Fachbegriffe in den Anfangs-Prompt und lenken das Modell, ohne das Gerät zu verlassen.

Zeitstempel-Navigation

Der Wert langer Aufnahmen liegt oft in bestimmten Segmenten. Ohne Zeitstempel müssen Sie alles anhören, um einen Satz zu finden. Mit anklickbaren Zeitstempeln springen Sie direkt zum relevanten Teil.

Zeitstempel für präzise Navigation

Massen-Export

Transkripte sind Dateien auf Ihrem Gerät, in Standardformaten. Auf dem Mac wird jedes Transkript als Markdown-Datei (.md) neben der Audiodatei gespeichert, mit YAML-Kopf (Datum, Quelle, Dauer), in einem Ordner Ihrer Wahl; legen Sie ihn in einen Obsidian-Vault, wird jede Aufnahme zu einer Notiz. Es gibt keine proprietäre Datenbank und keine Bindung an uns: Auch wenn es Whisper Notes morgen nicht mehr gäbe, blieben Ihre Aufnahmen zugänglich. Wer Dutzende Aufnahmen verarbeitet, exportiert sie gesammelt.

Wann Cloud besser ist

Cloud-Lösungen haben noch ihren Platz:

Zusammenarbeit in Echtzeit. Wenn fünf Personen während eines Meetings gleichzeitig ein Transkript bearbeiten, braucht es einen Server, der das koordiniert. Lokale Werkzeuge sind für eine Person gebaut.

Sprechererkennung im großen Maßstab. Whisper Notes kennzeichnet inzwischen auf iPhone und Mac vollständig auf dem Gerät, wer was gesagt hat. Bei sehr großen Runden und stark überlappender Sprache ist Diarisierung in der Cloud noch im Vorteil; für Interviews zu zweit und kleine Meetings sind die Sprecher-Labels auf dem Gerät gut genug (99,1 % Genauigkeit auf Satzebene in unserem Test mit zwei Sprechern).

Automatisierte Abläufe. Cloud-Dienste sind an CRMs angebunden, ziehen Aufgaben heraus und schicken Zusammenfassungen nach Slack. Lokale Werkzeuge erzeugen Textdateien; was danach passiert, entscheiden Sie.

Ältere Hardware. iPhones vor dem A14 und Intel-Macs können lokale Inferenz praktisch nicht ausführen. Dort bleibt nur die Cloud.

Wenn Sie vor allem während Live-Meetings im Team zusammenarbeiten, sind Cloud-Werkzeuge wahrscheinlich die bessere Wahl. Wenn Sie hauptsächlich Ihre eigenen Aufnahmen transkribieren und Datenschutz zählt, passt lokale Verarbeitung besser.

Wohin die Entwicklung geht

Jede Chipgeneration bringt mehr Leistung in der Neural Engine, jede Modellgeneration mehr Effizienz. Der Abstand zwischen lokal und Cloud schrumpft, während die Vorteile bei Datenschutz und Latenz bleiben.

Cloud-Transkription war sinnvoll, solange Telefone die Modelle nicht ausführen konnten. Seit etwa 2022 können sie es.

Lokale Transkription funktioniert heute auf Apple-Hardware. Was für ein Abo spricht, sind Live-Untertitel und gemeinsames Bearbeiten; wenn Sie beides nicht brauchen, gibt es keinen dritten Grund.

Technische Details

Offline-Spracherkennung unter Windows und Android

Whisper Notes ist für Apple Silicon entwickelt und läuft deshalb nur auf Mac und iPhone. Auf anderen Plattformen gibt es derzeit folgende Möglichkeiten:

Windows: Whisper Notes gibt es nur für Mac und iPhone, zu den besten kostenlosen Optionen gehören also Buzz, eine einfache Oberfläche für Whisper, und faster-whisper für die Kommandozeile. Sobald das Modell geladen ist, arbeiten beide vollständig offline. Die Einrichtung ist aufwendiger als bei einer nativen App: Je nach Lösung brauchen Sie eine Python-Umgebung, Modelldateien und für hohe Geschwindigkeit passende GPU-Treiber.

Android: Für whisper.cpp gibt es Android-Portierungen und einige Wrapper-Apps, deren Qualität und Pflege jedoch schwanken. Eine etablierte, ausgereifte Offline-Transkriptions-App gibt es dort noch nicht. Den aktuellen Stand finden Sie auf unserer Seite zu Whisper Notes für Android.

Viele Leute suchen nach „Whisper Notes Windows“ und wollen dasselbe Offline-Modell mit Einmalkauf auf dem PC. Wir bauen keine Windows-Version, und das sagen wir lieber klar, als die Frage offenzulassen (die ausführliche Begründung steht auf der Seite Whisper Notes für Windows). Dass lokale Transkription heute mit dem 100-fachen der Echtzeit läuft, liegt an Apples Neural Engine.

Offline-Sprachübersetzung: Was lokale KI kann und was nicht

Eine verwandte Frage taucht oft auf: Kann lokale KI Sprache übersetzen, nicht nur transkribieren? Teilweise. Das ursprüngliche Whisper Large V3-Modell wurde auf zwei Aufgaben trainiert — Transkription und Übersetzung aus beliebigen Sprachen ins Englische. Lokal ausgeführt kann es französisches, japanisches oder arabisches Audio nehmen und englischen Text ausgeben, vollständig offline. Zwei Einschränkungen: Es übersetzt nur ins Englische (nicht in die andere Richtung), und das gilt nur für das vollständige Large-V3-Modell — die schnellere Variante Large-v3 Turbo hat die Übersetzungsaufgabe gestrichen, um sich auf Transkription zu spezialisieren.

Darüber hinaus lautet die ehrliche Antwort: Offline-Sprachübersetzung steckt noch in den Anfängen. Es gibt noch keine ausgereifte Consumer-App, die Sprache-zu-Sprache-Übersetzung in Echtzeit offline leistet, so wie Cloud-Dienste es versuchen. Der praktikable Offline-Workflow besteht heute aus zwei Schritten: das Audio zuerst lokal transkribieren, dann den resultierenden Text mit einem Übersetzungstool Ihres Vertrauens übersetzen — so verlässt Ihr Roh-Audio weiterhin nie Ihr Gerät.

Häufig gestellte Fragen

Download für iOS Kostenlos auf Mac testen