Sprache in Text zu verwandeln hat für die meisten Unternehmen bislang bedeutet: Audio in die Cloud schicken. Mit transcribe.cpp steht jetzt eine quelloffene Bibliothek bereit, die 16 Modellfamilien direkt auf gewöhnlicher Hardware ausführt. Für Kanzleien und Arztpraxen verschiebt das die Datenschutzfrage von Grund auf.
Ein Klick · kostenlosDr. Web bei Google bevorzugenMarkieren Sie drweb.de als bevorzugte Quelle. Dann sehen Sie unsere Artikel öfter unter den Top-Meldungen.Jetzt hinzufügenInhalt 4 Abschnitte
Ein Rockchip RK3566, verbaut in Bastelrechnern der 40-Euro-Klasse, transkribiert mit transcribe.cpp schneller als in Echtzeit. Diese Zahl beschreibt die eigentliche Nachricht besser als jedes Benchmark-Diagramm, denn lokale Spracherkennung braucht seitdem keine teure Workstation mehr.
Das Wichtigste in Kürze
- transcribe.cpp führt 16 Modellfamilien mit über 60 Varianten über eine einzige Schnittstelle aus.
- Die Bibliothek steht unter MIT-Lizenz und beschleunigt wahlweise per Metal, Vulkan, CUDA oder optimierten CPU-Pfaden.
- Entwickelt hat sie CJ Pais im Builders-in-Residence-Programm von Mozilla AI.
- Lokale Verarbeitung erspart den Auftragsverarbeitungsvertrag, den Cloud-Transkription nach Artikel 28 DSGVO verlangt.
Was macht transcribe.cpp anders?
Statt auf ein einzelnes Modell festgelegt zu sein, lädt transcribe.cpp Sprachmodelle im GGUF-Format und rechnet auf der ggml-Laufzeit. Mozilla AI beschreibt das Projekt als llama.cpp für Spracherkennungsmodelle.
Gefördert hat das Projekt Mozilla AI über sein Builders-in-Residence-Programm, das damit sein erstes eigenständiges Open-Source-Projekt vorlegt[1]. Neben Whisper laufen unter anderem Parakeet von Nvidia, Canary und Moonshine.
Offizielle Bindings gibt es für Python, TypeScript, Rust und Swift[2]. Damit landet Spracherkennung in derselben Werkzeugkiste, aus der sich Entwickler längst bei Modellen für den eigenen Rechner bedienen.
Warum war lokale Spracherkennung bisher so mühsam?
Bislang haben nur zwei Wege offengestanden: whisper.cpp beherrscht ausschließlich Whisper-Modelle, und der generische ONNX-Pfad lässt je nach Gerät Rechenleistung liegen, weil die Beschleunigung nicht überall gleich gut greift.
Der eigentliche Fortschritt liegt deshalb nicht im Tempo, sondern in der Verlässlichkeit. Jedes veröffentlichte Modell ist numerisch gegen seine Referenzimplementierung geprüft und auf die Wortfehlerrate getestet. Genau diese Zusage hat bisher gefehlt, weil jedes Team selbst herausfinden musste, ob eine portierte Variante noch dieselbe Qualität liefert.
Das Muster ist bekannt. llama.cpp hat große Sprachmodelle von der Forschungsdatei auf Alltagsgeräte gebracht, und zuletzt ist mit Kokoro auch die Sprachsynthese auf der CPU gelandet. Die Spracherkennung folgt jetzt demselben Drehbuch, und der Mozilla-Report zum Stand der offenen KI zeigt, wie schmal der Abstand zur kommerziellen Spitze inzwischen ausfällt.
Die interessanteste KI-Meldung dieses Sommers ist keine neue Modellgeneration, sondern eine Bibliothek, die vorhandene Modelle endlich überall zum Laufen bringt.
Markus Seyfferth, Chefredakteur Dr. Web
Was die quelloffene Bibliothek abdeckt und wo der Unterschied zur Cloud-Transkription liegt.
Transkription in der Cloud
- Audio verlässt das Unternehmen
- Auftragsverarbeitungsvertrag nach Artikel 28 DSGVO nötig
- Bei Servern außerhalb der EU zusätzlich Standardvertragsklauseln
- Laufende Kosten pro Minute
Transkription auf eigener Hardware
- Audio bleibt auf dem Gerät
- Kein Auftragsverarbeitungsvertrag, keine Drittlandfrage
- Einwilligung der Betroffenen bleibt trotzdem erforderlich
- Keine laufenden Kosten, dafür eigener Betrieb
Was bedeutet das für Kanzleien, Praxen und Betriebe?
Lokale Transkription nimmt die heikelste Stufe heraus: Ohne Übertragung an einen Dienstleister entfällt der Auftragsverarbeitungsvertrag nach Artikel 28 DSGVO, und die Frage nach dem Drittlandtransfer stellt sich gar nicht erst.
Die Gesellschaft für Datenschutz und Datensicherheit hat im Januar 2026 ein Kurzpapier zur Gesprächstranskription vorgelegt und rückt darin die Einwilligung der Betroffenen nach Artikel 6 Absatz 1 Buchstabe a DSGVO in den Mittelpunkt[3]. Hinzu kommt Paragraf 201 StGB, der die unbefugte Aufnahme des nicht öffentlich gesprochenen Wortes unter Strafe stellt. Für Telefonate gilt dieselbe Hürde: Ein Betrieb, der Kundengespräche mitschneiden und danach lokal transkribieren will, holt vorher die Zustimmung des Gegenübers ein und wählt für die Aufnahme ein passendes Werkzeug, etwa aus dem Vergleich der Call Recorder.
Konkret heißt das zweierlei. Prüfen Sie bei vorhandenen Diktat- und Meeting-Werkzeugen, wo das Audio tatsächlich verarbeitet wird, und stellen Sie sensible Gespräche auf eine lokale Variante um. Die Einwilligung bleibt davon unberührt und gehört weiterhin sauber dokumentiert, unabhängig vom Verarbeitungsort.
Die Bibliothek richtet sich an Entwickler, nicht an Endanwender. Fertig nutzbar ist die Technik über die Desktop-App Handy desselben Autors, und Mozilla AI arbeitet an gebündelten Transkriptions-Dateien für den portablen Einsatz. Betriebe ohne eigene Entwicklungsabteilung greifen zu fertigen Programmen, die Whisper und verwandte Modelle lokal einsetzen; welche Anbieter auf dem eigenen Rechner transkribieren und welche in der Cloud, zeigt der Vergleich der Transkriptionssoftware. Ein Praxistest lohnt sich überall dort, wo Audio ohnehin nie das Haus hätte verlassen sollen. Bei der Einordnung helfen der Überblick über die aktuelle KI-Entwicklung und die Auswahl passender KI-Werkzeuge.
Quellen
3 Quellen anzeigenQuellen ausblenden
- Mozilla AIAnnouncing transcribe.cpp ↩
- handy-computerProjekt-Repository transcribe.cpp ↩
- Gesellschaft für Datenschutz und DatensicherheitGDD-Kurzpapier 4: Gesprächstranskription (Januar 2026) ↩
Mehr Newshunger?
- Kokoro-TTS: Sprachsynthese ganz ohne die Cloud?
- Was leistet LM Studio Bionic als lokaler KI-Agent?
- Lokale KI-Modelle sind 2026 alltagstauglich geworden
- Open-Source-KI 2026: Wie groß ist der Rückstand?
- Bonsai 27B: Läuft ein 27B-KI-Modell wirklich aufs Handy?
- Rowboat: Wie sicher ist die lokale KI-Alternative?
