Taste halten, sprechen — und der Text steht dort, wo Sie ohnehin schon getippt haben.
Die Anwendung ist ein Diktierwerkzeug, das im Infobereich lebt. Taste irgendwo im Betriebssystem halten, sprechen, loslassen — das Transkript landet in dem Textfeld, das gerade den Fokus hat. Kein Fenster zum Wechseln, kein Tab, keine Anwendung, die es unterstützen muss.
- Rolle
- Produkt · Architektur · Full-Stack-Entwicklung · Release
- Plattform
- Windows · macOS
- Status
- Ausgeliefert, mit Auto-Update
Einführung
Sprechen ist dreimal schneller als Tippen. Fast niemand diktiert.
Die vorhandenen Werkzeuge erzwingen eine Wahl: Das Diktat des Betriebssystems funktioniert nur dort, wo der Hersteller es vorgesehen hat, und das gute Cloud-Diktat lebt in einem Browser-Tab, aus dem man kopieren muss. Keines kennt die Wörter Ihres Fachs. Es sollte alle drei Probleme auf einmal lösen — in jedem Feld, in jeder Anwendung, mit Vokabular, das sich pro Anwendungsfall einstellen lässt.
165 Mio.
transkribierte Wörter
127.000
Stunden verarbeitete Sprache
3×
schneller als Tippen
Demonstration
Eine Pille, vier Zustände.
Fast das ganze Produkt ist ein schwebendes Overlay, das im Weg nicht vorkommt: transparent, immer im Vordergrund und klick-durchlässig, damit es dem, worin Sie schreiben, nie den Fokus nimmt. Hier eine Rekonstruktion eines Diktats.
Zum Diktieren halten
Das echte Overlay liest den Mikrofonpegel zehnmal pro Sekunde und zeichnet ihn als die Wellenform, die Sie hier sehen.
Technologie
Bewährte Werkzeuge, als System gewählt.
Eine Desktop-Anwendung mit drei Fenstern — Einstellungen, das schwebende Overlay und ein verstecktes Ein-Pixel-Fenster, dessen einzige Aufgabe der Audiorecorder ist — mit einem kleinen Dienst dahinter.
Architektur
Alles zwischen Taste und Einfügen.
Das ganze Produkt sind die wenigen hundert Millisekunden um einen Tastendruck. Diese Abfolge richtig hinzubekommen ist der größte Teil der Arbeit.
01
Die Taste geht runter
Ein systemnaher Eingabe-Hook fängt den Druck überall im Betriebssystem ab — der übliche Shortcut-Mechanismus kann kein Halten abbilden, nur Umschalten. Ist der Hook nicht verfügbar, fällt es auf Umschalten zurück, statt auszufallen.
02
Aufnahme und Vorbereitung parallel
Die Aufnahme startet, laufende Wiedergabe wird pausiert, und die Berechtigung, die der Transkriptionsdienst braucht, wird im selben Moment geholt — während noch gesprochen wird.
03
Die Taste kommt hoch
Die Aufnahme läuft einen Sekundenbruchteil weiter, weil Menschen Tasten loslassen, bevor sie Wörter zu Ende sprechen. Zu kurze oder zu leise Aufnahmen werden verworfen, bevor sie einen Aufruf kosten.
04
Transkribieren, dann glätten
Das Audio geht an den gewählten Anbieter, mit einem Vokabelhinweis in der gesprochenen Sprache. Ein optionaler zweiter Durchgang glättet das Transkript — schlägt er fehl, wird unverändert das Original verwendet.
05
Einfügen und alles zurücksetzen
Der Text kommt in die Zwischenablage, ein Einfügen wird in das fokussierte Feld simuliert, der vorherige Inhalt der Zwischenablage wird wiederhergestellt, und die pausierte Wiedergabe läuft weiter.
Latenz
Wohin die 178 Millisekunden gehen.
Von der Taste bis zum Text im Feld. Die Inferenz ist mit 93 ms der dominierende Posten; der Netz-Roundtrip kommt mit 44 hinzu, und Aufnahme, Kodierung und das Einfügen in die Zielanwendung machen zusammen die restlichen 41 aus.
- Aufnahme & Kodierung
- 36ms
- Netz-Roundtrip
- 44ms
- Inferenz
- 93ms
- Einfügen
- 5ms
- Ende zu Ende
- 178ms
- Sie—
- Mikrofon10 ms
- Browser20 ms
- Kodierung6 ms
- TLS1 ms
- Router1 ms
- Provider8 ms
- Edge12 ms
- Spracherkennung93 ms
- Nachbearbeitungoptional · nicht im Budget
- Streaming22 ms
- Einfügen5 ms
Ein typisches Budget für eine drei Sekunden lange Äußerung an einem heimischen Glasfaseranschluss, mit bereits wiederaufgenommener TLS-Sitzung und der optionalen Nachbearbeitung außerhalb des Pfads. Das Paket bewegt sich im Verhältnis zum Anteil jeder Stufe an diesem Budget.
Details
Die Teile, die niemand bemerkt — außer sie fehlen.
Es pausiert Ihre Musik und startet sie wieder
Über einen Podcast zu diktieren ist sinnlos. Laufende Wiedergabe wird pausiert und danach fortgesetzt — aber nur, wenn sie tatsächlich lief, damit nichts von allein anfängt.
Vokabular, keine Anweisung
Der Prompt eines Transkriptionsmodells lenkt sein Vokabular, statt ihm Befehle zu geben; nur sein Ende zählt, und spätere Wörter wiegen schwerer. Die medizinische Terminologie steht deshalb ganz am Schluss, in der gesprochenen Sprache.
Profile je Art von Arbeit
Sprache, Modell, Vokabular und Nachbearbeitung sind zu Profilen gebündelt — Befunde, E-Mail, Prompts — und lassen sich aus dem Overlay wechseln, ohne etwas zu öffnen.
Es weigert sich, in sich selbst einzufügen
Solange das eigene Fenster den Fokus hat, ist die Aufnahme blockiert, mit Erklärung, statt still an die falsche Stelle zu diktieren.
Timing, das echte Anwendungen aushält
Kleine bewusste Verzögerungen rund um das Einfügen gibt es, weil manche Anwendungen sofort eintreffende Tastenanschläge ignorieren und weil ein zu frühes Wiederherstellen der Zwischenablage das Einfügen zerstört.
Das Overlay hält seine Position
Es richtet sich neu aus, wenn sich Bildschirme ändern, das Gerät aufwacht oder der Sperrbildschirm weggeht — und meldet sich zyklisch zurück, falls eine andere Anwendung den Vordergrund an sich reißt.
Recht
Diktat ist auch klinischer Text.
Gesprochene Notizen sind Patientenunterlagen, sobald sie gesagt sind. Aufnahme und Transkript bekommen dieselbe Sorgfalt wie alles Getippte.
Das Mikrofon öffnet sich absichtlich
Die Aufnahme startet auf eine bewusste Handlung und endet auf eine — oder bei Stille. Es gibt keinen Dauerlauschmodus und keine Aufnahme im Hintergrund.
Das Audio wird nicht archiviert
Der Clip existiert für die Dauer der Anfrage. Nichts schreibt ihn auf die Platte, und auf unserer Seite bleibt keine Kopie eines Diktats.
Ergebnis
Fünf Sprachen, vier Anbieter, ein Tastendruck.
Es wird als signierter Installer für Windows und macOS ausgeliefert, mit automatischen Updates, fünfsprachiger Oberfläche und einer Anbieterschicht, die sich austauschen lässt, ohne dass der Rest der Anwendung es merkt. Es ist das klarste Beispiel für das Engineering, das Invariance in eine Produktentwicklung bringt: Sichtbar ist eine schwebende Pille — fast die gesamte Arbeit steckt in dem, was drum herum passiert.