Lokale KI · Sprache · Kapitel 10 · 4 Min.

Diktieren im Alltag

Taste halten, sprechen, loslassen — und wie das Ding dahinter gebaut ist. Absichtlich plump, und genau deshalb lehrreich.

Ein Modell, das Sprache in Text verwandelt, nützt noch nichts. Man braucht etwas, das die Aufnahme startet, das Ergebnis abholt und dorthin schreibt, wo der Mauszeiger steht.

Genau das habe ich gebaut. Es ist keine App aus einem Laden, es sind ein paar hundert Zeilen — und der Aufbau ist so einfach, dass ihn jeder nachvollziehen kann.

Wie es sich anfühlt

1. In ein beliebiges Textfeld klicken.
   E-Mail, Browser, Editor, egal. Das Werkzeug weiß nicht, wo du bist, und muss es auch nicht.
2. Eine Taste drücken und halten.
   Bei mir die Feststelltaste — die braucht sonst kein Mensch. Halten, nicht tippen.
3. Sprechen.
   Ganz normal. Keine Pausen zwischen den Wörtern, kein Diktiergerät-Deutsch.
4. Loslassen.
   Kurz warten. Dann steht der Text da, wo der Cursor war.

Was dazwischen passiert

Zwei Programme reden miteinander, und zwar über den denkbar einfachsten Weg: eine Datei.

Die Zwischenablage zurückgeben

Schritt 5 hat einen Haken, den man erst im Alltag merkt: Das Werkzeug überschreibt die Zwischenablage. Wer gerade etwas kopiert hatte und dann diktiert, hat es verloren.

Die Lösung ist ein Dreizeiler — vorher sichern, einfügen, nach einer knappen Sekunde zurückschreiben:

gesichert := ClipboardAll()     ; vorher wegpacken
... Strg+V senden ...
Sleep 800
A_Clipboard := gesichert        ; zurueckgeben

Kleinigkeit, riesiger Unterschied im Alltag. Es sind solche Sachen, die entscheiden, ob man ein selbstgebautes Werkzeug nach zwei Wochen noch benutzt.

Die Falle mit dem versehentlichen Tipper

Man streift die Taste, es nimmt 0,2 Sekunden Stille auf — und Whisper macht daraus, wie im letzten Kapitel beschrieben, „Untertitelung des ZDF, 2020“. Mitten in der E-Mail.

Dagegen stehen zwei Prüfungen, bevor überhaupt etwas in die Zwischenablage geht:

• Eine Liste bekannter Phantomsätze. Kommt genau einer davon heraus und sonst nichts, wird verworfen.
• Eine Plausibilitätsprüfung gegen die Aufnahmedauer. Wer in 0,5 Sekunden angeblich fünf Wörter gesagt hat, hat nichts gesagt.

Das ist der wichtigste Baustein an der ganzen Sache — und keiner, der mit KI zu tun hat. Es sind schlichte Regeln, die einem unzuverlässigen Werkzeug auf die Finger schauen. Kapitel 15 handelt von nichts anderem.

Was du brauchst, wenn du es nachbauen willst

Achtung

Ein Programm, das jeden Tastendruck mithört und in fremde Fenster schreibt, ist genau das, wovor Virenscanner warnen — zu Recht. Wenn du so etwas baust oder herunterlädst, musst du wissen, was drinsteht. Bei einem fertigen Diktierprogramm aus dem Netz ist die erste Frage nicht „was kann es“, sondern „wohin schickt es den Ton“.

Und wer nichts bauen will: Es gibt fertige Programme, die dasselbe tun. Achte auf einen Satz in der Beschreibung, der klar sagt, dass die Erkennung auf dem Gerät stattfindet. Steht er nicht da, findet sie es nicht.

In einem Satz

Zwei Programme, die über eine Datei miteinander reden — unelegant, aber es läuft seit Monaten. Fertig schlägt schön.