Anmelden

Zuhören

Was die App hört

Die App hört zwei Kanäle: dein Mikrofon (dich) und den Ton deines Computers (die anderen Teilnehmer). Die bisher gehörten Wörter erscheinen sofort in einer Blase „spricht…“, die der fertige Satz ersetzt.

Wo Sprache zu Text wird

Wähle es unter Einstellungen, dann Erweitert, dann Audio, dann Spracherkennung.

Die Audio-Einstellungen: Spracherkennung, Modell noch nicht heruntergeladen
  1. Engine: wo Sprache zu Text wird. Automatisch (die Voreinstellung) nutzt unseren gehosteten Dienst, solange dein Tarif ihn enthält und Credits übrig sind, und sonst das Modell auf diesem Computer
  2. Richtig zu schreibende Wörter (leer): Namen und seltene Wörter, die die gehostete Spracherkennung so schreiben soll wie du, mit Kommas getrennt; das Modell auf diesem Computer ignoriert sie
  3. Lokales Modell: Automatisch (die Voreinstellung), Schnell oder Ausgewogen
  4. GPU verwenden (an): lässt das Modell auf der Grafikkarte laufen, wenn die App eine findet, und auf dem Prozessor, wenn du es ausschaltest; der Name der Karte steht in Klammern. Es lässt sich nur zwischen Sätzen ändern, nicht während Sprache gehört oder transkribiert wird
  5. (Tooltip „Modell Ausgewogen herunterladen (574 MB)“) lädt das Modell herunter, nach einer Karte, die seine Größe nennt und dass es von huggingface.co kommt
  6. Der Zustand des Modells: Nicht heruntergeladen, Teilweise heruntergeladen, Wird heruntergeladen oder Modell bereit, mit seiner Größe
  • Lokale Spracherkennung („Auf diesem Computer“ im Feld Engine): Sprache wird auf deinem eigenen Computer in Text umgewandelt, und das Audio bleibt dort. Das Sprachmodell wird beim ersten Start einmal heruntergeladen (Schnell: etwa 265 MB; Ausgewogen: etwa 575 MB); bis es bereit ist, wird nichts transkribiert. Das Feld Lokales Modell wählt es aus: Automatisch (die Voreinstellung) nimmt Ausgewogen auf einer Grafikkarte, die mit der Sprache mithält, und sonst Schnell; Schnell läuft auf jedem Computer; Ausgewogen ist genauer und braucht eine Grafikkarte oder Apple Silicon. Findet die App eine Grafikkarte, kannst du mit einem Schalter GPU verwenden unter dem Feld (standardmäßig an) die Spracherkennung stattdessen auf dem Prozessor lassen.
  • Unser gehosteter Dienst („Cloud (letmesoloit.com)“ in der App; All-Inclusive oder jeder Tarif mit einem Credit Pack): Das Audio geht über unseren Server und wird mit Credits bezahlt. Seine Streaming-Option zeigt die Wörter, während gesprochen wird; wie Sätze wird ein Stream für das gesamte gesendete Audio berechnet, ein Credit pro 10 Sekunden. Damit Namen und seltene Wörter richtig geschrieben werden, schickt die App ihm bis zu 100 Wörter mit dem Audio: zuerst deine eigene Liste, dann namensähnliche Wörter aus „Über mich“ deines aktiven Profils. Deine Liste ist Einstellungen, dann Erweitert, dann Audio, dann Spracherkennung, dann Richtig zu schreibende Wörter: Trenne die Wörter mit Kommas (das leere Feld schlägt „z. B. Kubernetes, Grafana, Namen deiner Kollegen“ vor); die gehostete Spracherkennung bevorzugt diese Schreibweisen, wenn sie etwas Ähnliches hört. Ein Dienst, den du mit deinem eigenen Schlüssel einrichtest, bekommt sie, wenn er sie annimmt; das Modell auf diesem Computer ignoriert die Liste.
  • Ein Dienst, den du mit deinem eigenen Schlüssel einrichtest.
  • Automatisch (die Voreinstellung) nutzt unseren gehosteten Dienst, solange dein Tarif ihn enthält und Credits übrig sind, für jede Sprache und auf jedem Computer, und streamt, wo der Dienst streamt. Sonst nutzt es die lokale Spracherkennung, die auch einspringt, wenn unser Dienst nicht erreichbar ist oder ausfällt. Ohne unseren gehosteten Dienst wartet der Chat auf den Download des Sprachmodells und zeigt dessen Fortschritt. Automatisch nutzt nie einen Dienst, den du mit deinem eigenen Schlüssel eingerichtet hast.

Sobald das lokale Modell heruntergeladen ist, zeigt sein Zustand Modell bereit, und der Download-Pfeil weicht einem Papierkorb, der es wieder löscht.

Das lokale Sprachmodell, heruntergeladen
  1. (Tooltip „Heruntergeladenes Modell löschen (574 MB)“) löscht es, nach einer Karte, die den frei werdenden Platz nennt; der Zustand darüber zeigt Modell bereit, und das Modell wird erneut heruntergeladen, wenn du es brauchst

Was jede Wahl sendet und speichert, steht in der Datenschutzerklärung.

Ein Cloud-Dienst mit deinem eigenen Schlüssel

Wähle unter Einstellungen, dann Erweitert, dann Audio, dann Cloud-Spracherkennung mit deinem Schlüssel den Dienst, füge seinen API-Schlüssel ein und wähle sein Modell; die App testet den Schlüssel und sagt, ob er funktioniert. Wähle dann die Option Eigener Schlüssel dieses Dienstes als Engine. Wenn der Dienst ablehnt, sagt das Fenster, warum; unten steht … für den Namen des Dienstes und für die Stelle in den Einstellungen, auf die die Meldung verlinkt:

  • … hat den Schlüssel abgelehnt. Prüfe ihn unter … Der Schlüssel ist falsch oder nicht mehr gültig.
  • … meldet, dass der Schlüssel kein Guthaben oder Kontingent mehr hat. Lade Guthaben auf oder erhöhe das Kontingent in deinem Konto im Dashboard des Dienstes selbst, denn die App kann das nicht ändern, oder wähle eine andere Engine.
  • … bietet das unter … festgelegte Modell nicht an. Wähle an derselben Stelle ein anderes Modell.
  • … drosselt die Anfragen; einige Phrasen werden womöglich nicht erkannt. Sie kommen wieder durch, sobald er nicht mehr drosselt.

Sprachen

Spracherkennung und Hinweise funktionieren in zwölf Sprachen: Englisch, Ukrainisch, Russisch, Deutsch, Spanisch, Französisch, Japanisch, Polnisch, Schwedisch, Chinesisch, Koreanisch und Portugiesisch. Eine Einstellung, Anrufsprache unter Einstellungen, dann Sprache, legt fest, wie. Englisch ist voreingestellt: Eine Sprache, die du wählst, wird genau so gehört, ohne Erkennung. Automatisch erkennt die Sprache, die jede Seite des Anrufs spricht, mit der Spracherkennung auf diesem Computer oder unserem gehosteten Dienst und mit Antworten von unserem gehosteten Dienst; die Hinweise antworten in deiner Sprache. Ein Sprachdienst, den du mit deinem eigenen Schlüssel einrichtest, oder Antworten von deinem eigenen Anbieter hören immer eine gewählte Sprache: Dort hat die Liste kein Automatisch, und ein gespeichertes Automatisch wirkt wie Englisch. Das folgt dem Weg live: Wechseln die Antworten während eines Anrufs zu deinem eigenen Anbieter, endet die Erkennung, und die Zeilen ändern sich.

Bei Automatisch läuft die Erkennung für jede Seite des Anrufs getrennt. Eine Seite legt sich fest, sobald zwei getrennte Äußerungen mit je 3 Sekunden Stimme oder mehr dieselbe Sprache ergeben; stimmen nach 4 Äußerungen oder 30 Sekunden Stimme dieser Seite keine überein, legt sie sich auf die bisher am längsten gehörte Sprache fest (bei Gleichstand die jüngste). Ein kleiner Spracherkenner auf diesem Computer hört außerdem jeden Satz mit 3 Sekunden Stimme oder mehr: Ist er sicher, dass der Satz in einer anderen der zwölf Sprachen ist, wechselt diese Seite des Anrufs sofort dorthin, ab diesem Satz, und die Antworten folgen. Die Seite deines Mikrofons wechselt nur, wenn der Erkenner bei zwei Sätzen hintereinander, die innerhalb von 20 Sekunden beginnen, dieselbe neue Sprache sicher erkennt, denn dein Mikrofon hört auch den Raum und deine eigenen Lautsprecher; beide Sätze werden dann in der neuen Sprache neu angezeigt. Kürzere Sätze zählen nicht, ein „OK“ oder ein Name kippt sie also nie. Bis eine Seite sich festgelegt hat, übernimmt sie die Sprache der anderen Seite, sonst Englisch. Die Spracherkennung auf diesem Computer erkennt die Sprache am Audio, unser gehosteter Dienst am Text jedes fertigen Satzes. Beim Streaming öffnet sich der Stream jeder Seite sofort in der letzten Sprache dieser Seite (ihrer eigenen aus einem früheren Anruf, auf diesem Computer gespeichert, sonst der der anderen Seite, sonst Englisch), sodass der Text ab der ersten Sekunde erscheint. Hört der Erkenner eine andere Sprache, schickt die App dem Stream ein kurzes Signal, das sie nennt, ohne Audio: Unser gehosteter Dienst hört den Satz aus dem Audio, das er schon hat, in der neuen Sprache neu, und der neue Text ersetzt den angezeigten. Nichts wird doppelt gesendet oder berechnet. Hinweise antworten in der Sprache deiner eigenen Seite, sonst in der des Anrufs.

Eine Sprache, die du wählst, wird genau so gehört: Sprache wird nur in dieser Sprache gelesen, ohne Erkennung und ohne automatischen Wechsel, und die Antworten folgen ihr. Eine zweite Sprache ist dann nur ein Tastenkürzel entfernt; siehe Hinweise.

Was die lokale Spracherkennung braucht

Diese Angaben sind ungefähr. Was jedes System insgesamt braucht, Arbeitsspeicher und Speicherplatz eingeschlossen, steht unter Systemvoraussetzungen.

  • Mit einer Grafik wie in der Tabelle der Systemvoraussetzungen reichen 2 Kerne (4 Threads) und 8 GB Arbeitsspeicher. Ohne sie laufen Englisch, Russisch, Deutsch, Spanisch, Französisch, Japanisch, Polnisch und Schwedisch allein auf dem Prozessor: 8 Kerne (16 Threads) und 16 GB Arbeitsspeicher halten mit beiden Seiten eines Anrufs mit; 6 Kerne (12 Threads) und 8 GB sind dafür etwa das Minimum.
  • Ukrainisch, Chinesisch, Koreanisch und Portugiesisch sowie das genauere Modell Ausgewogen brauchen eine Grafikkarte: Ausgewogen braucht 4 GB Grafikspeicher oder mehr, und die Systemvoraussetzungen listen die Karten nach Hersteller. Integrierte Laptop-Grafik schafft nur das Modell Schnell, gerade so live. Unter Windows und Linux braucht die Karte einen Vulkan-Treiber, den aktuelle Treiber von NVIDIA, AMD und Intel enthalten.
  • Ein gemessenes Beispiel (14.10.2026, ein echter Anruf laut abgespielt): Ein einfacher Laptop mit 2 Kernen / 4 Threads und AMD-Radeon-Vega-3-Grafik schafft Schnell mit etwa 3 Sekunden pro Satz, sobald die Sprache bekannt ist, der Text erscheint also etwa 3,5 bis 5 Sekunden nach dem Ende eines Satzes; solange die Sprache erkannt wird, braucht ein Satz etwa 5 Sekunden. Ausgewogen ist dort zu langsam, und Automatisch wählt es nicht. Mit einer GeForce GTX 1650 braucht Ausgewogen etwa 1,3 Sekunden pro Satz (etwa 2,1 während der Erkennung) und bleibt auf der Karte. Ein Anruf, in dem abwechselnd gesprochen wird, hält mit; reden beide Seiten ohne Pause, nicht.
  • Bei einem Tarif mit unserem gehosteten Dienst schickt Automatisch jede Sprache dorthin, diese vier eingeschlossen, die Hardware deines Computers spielt also keine Rolle. Ohne ihn lässt Automatisch sie auf diesem Computer mit dem besten Modell laufen, das mithält, und das kann ohne Grafikkarte oder Apple Silicon zurückfallen.
  • Ist ein Modell auf der Grafikkarte zu langsam, probiert Automatisch es zuerst einmal auf dem Prozessor und behält das, was schneller liest, und meldet „Spracherkennung gewechselt zu …“, wenn es gewechselt hat; in dieser Version der App versucht es das nicht noch einmal. Kommt dein Computer trotzdem nicht hinterher, sagt die App das und nennt eine schnellere Wahl: bei einem Tarif mit unserem gehosteten Dienst Schnell oder unseren Dienst (nur unseren Dienst, wenn Schnell zu langsam ist); ohne ihn Schnell oder den Schalter „GPU verwenden“, wo er angeboten wird (nur den Schalter, wenn Schnell zu langsam ist). Sie bleibt bei der schnellsten lokalen Wahl, hält die Untertitel nah am Live-Geschehen und schickt das Audio nie von sich aus in die Cloud.

Mikrofon und Lautsprecher

Einstellungen, dann Erweitert, dann Audio listet deine Mikrofone und Lautsprecherquellen und zeigt die verwendete. Eine Änderung gilt beim Speichern sofort; ein Gerät, das sich nicht öffnen lässt, behält das vorherige. Ein gespeichertes Gerät, das beim Start des Zuhörens nicht angeschlossen ist (ausgeschaltete Kopfhörer), wird für diesen Durchgang durch den Systemstandard ersetzt; die Einstellung bleibt, das Gerät wird also beim nächsten Mal wieder genutzt, wenn es da ist. Unter macOS gibt es keinen Lautsprecher zu wählen: Die App hört den Ton des Computers selbst, mit der Berechtigung Bildschirmaufnahme.

Die Audio-Einstellungen: Geräte
  1. Mikrofongerät (Systemstandard): das Mikrofon, das die App als dich hört; im Feld (Tooltip „Aktualisieren“) liest die Geräte neu
  2. Lautsprechergerät (Systemstandard): der Ton, den die App als die anderen Teilnehmer hört

Stimmerkennung

Der Abschnitt Stimmerkennung, im Bild unten nummeriert, legt fest, was als Sprache zählt. Die beiden Schwellen setzen den Pegel, ab dem ein Geräusch als Stimme zählt, eine für dein Mikrofon (standardmäßig 100) und eine für die anderen Teilnehmer (200); jede reicht von 1 bis 10.000. Hinweise zu meinen Worten ist standardmäßig aus: Die App beantwortet, was die anderen Teilnehmer sagen, und wenn es an ist, auch, was du sagst. Lautsprecher-Echo filtern ist standardmäßig an und verwirft Mikrofon-Sätze, die nur der Ton des Anrufs sind, der über deine Lautsprecher zurückkommt. Empfindlichkeit automatisch anpassen ist standardmäßig an: Während die App zuhört, folgt jede Schwelle dem Anruf, zwischen der Hälfte und dem Doppelten ihres gespeicherten Werts und ohne je gespeichert zu werden, der nächste Start beginnt also wieder mit deinen Werten. Kalibrierung vorschlagen ist standardmäßig an: Wenn eine Seite immer wieder nicht erkannt wird, sagt ein Hinweis das, mit einem Link Kalibrieren; schaltest du es aus, entfällt der Hinweis, und Kalibrieren in den Einstellungen funktioniert so oder so.

Die Audio-Einstellungen: Stimmerkennung
  1. (Tooltip „Mikrofon kalibrieren“) bittet dich, 3 Sekunden still zu sein und dann einen Satz dreimal laut vorzulesen, und setzt die Mikrofon-Schwelle; das geht, während die App zuhört
  2. (Tooltip „Lautsprecher kalibrieren“) spielt einen kurzen Clip dreimal über deinen Lautsprecher ab, während du still bist, und setzt die Lautsprecher-Schwelle
  3. Mikrofon-Schwelle, 1 bis 10.000 (100): der Pegel, ab dem ein Geräusch als deine Stimme zählt. Erhöhe sie, wenn die App Geräusche als Sprache hört, senke sie, wenn leise Sprache verloren geht
  4. Lautsprecher-Schwelle, 1 bis 10.000 (200): dasselbe für die anderen Teilnehmer
  5. Hinweise zu meinen Worten (aus): beantwortet auch, was du sagst, nicht nur die anderen Teilnehmer
  6. Lautsprecher-Echo filtern (an): verwirft Mikrofon-Sätze, die nur der Ton des Anrufs sind, der über deine Lautsprecher zurückkommt; schalte es nur aus, wenn deine eigenen Worte verloren gehen
  7. Empfindlichkeit automatisch anpassen (an): Die Schwellen folgen dem laufenden Anruf, zwischen der Hälfte und dem Doppelten ihres gespeicherten Werts, und werden nie gespeichert
  8. Kalibrierung vorschlagen (an): meldet, wenn eine Seite immer wieder nicht erkannt wird, mit einem Link Kalibrieren

Kalibrieren

Wenn eine Seite immer wieder nicht erkannt wird, sagt das Fenster „Die andere Seite ist schwer zu verstehen: Prüfe die Lautstärke oder kalibriere.“ (oder „dein Mikrofon“). Prüfe zuerst die Systemlautstärke und dass Einstellungen, dann Erweitert, dann Audio das richtige Mikrofon und den richtigen Lautsprecher nutzt.

Kalibriere dann, während die App zuhört. Der Link Kalibrieren im Hinweis öffnet die beiden Kalibrieren-Schaltflächen, und , im Titel von Stimmerkennung unter Einstellungen, dann Erweitert, dann Audio. Mikrofon kalibrieren (Tooltip „Mikrofon kalibrieren“) bittet dich, 3 Sekunden still zu sein und dann einen Satz dreimal laut vorzulesen. Lautsprecher kalibrieren (Tooltip „Lautsprecher kalibrieren“) spielt einen kurzen Clip dreimal über deinen Lautsprecher ab, während du still bist. Die App setzt den Pegel zwischen Hintergrundgeräusch und Stimme, und Speichern behält ihn. Liegt die Stimme nicht klar über dem Geräusch, sagt die App das und ändert nichts.

Der Hinweis, wenn die anderen Teilnehmer immer wieder nicht erkannt werden
  1. Der Hinweis mit seinem Link Kalibrieren, der die Kalibrieren-Schaltflächen öffnet

Dein Mikrofon stummschalten

Ctrl+Alt+M oder in der Aktionsleiste sorgt dafür, dass die App dich nicht mehr hört: Nichts von deinem Mikrofon wird transkribiert oder gesendet. Die anderen Teilnehmer sind weiter zu hören, und im Anruf selbst bist du nicht stummgeschaltet. Das Gegenstück, Ctrl+Alt+O oder daneben, pausiert stattdessen die anderen Teilnehmer: Von ihnen wird nichts transkribiert oder gesendet und nichts berechnet, bis du es erneut drückst. Jeder Start beginnt ohne Stummschaltung und ohne Pause.