Lokale Transkription oder Cloud: Wo landet deine Stimme?

Lokale Transkription verwandelt deine Sprache auf deinem eigenen Computer in Text: Das Modell wird einmal heruntergeladen, und dein Audio verlässt den Rechner nie. Bei der Transkription in der Cloud wird dein Audio auf einen Server hochgeladen, der den Text zurückschickt. Der Unterschied, auf den es ankommt, ist, was nach dem Upload mit deiner Stimme passiert, und das hängt ganz von den Bedingungen des Anbieters ab.

Unten: wie beides funktioniert, was drei große Cloud-Anbieter laut eigener Aussage mit deinem Audio machen und was du bei beiden Varianten in Kauf nimmst.

Warum das für Kundenvideos wichtig ist

Untertitel machen ein Video ohne Ton leichter verständlich und schneller zu überfliegen. Um sie zu erstellen, muss etwas allem zuhören, was du gesagt hast: dem Namen des Kunden, dem Budget, das du erklärt hast, dem Bug in seinem Checkout.

Bei einem Cloud-Dienst geht dieses Audio an die App, die du nutzt, und oft an einen Transkriptionsanbieter dahinter. Bei lokaler Transkription bleibt es auf deinem Mac. Bei einem öffentlichen Tutorial spielt der Unterschied vielleicht keine Rolle. Bei einem Video über das Projekt eines Kunden, unter NDA oder unter der DSGVO, kann er entscheidend sein.

Wie Transkription in der Cloud funktioniert

Die Schritte sind überall gleich:

1. Deine App lädt das Audio (oder das ganze Video) auf einen Server hoch.
2. Ein Spracherkennungsmodell auf diesem Server wandelt es in Text um.
3. Der Text kommt zurück, und die App hängt ihn an dein Video.

Was nach Schritt 3 mit dem Audio passiert, unterscheidet sich von Anbieter zu Anbieter. Das sagen drei große Anbieter in ihrer eigenen Dokumentation:

Anbieter	Fürs Modelltraining genutzt?	Danach gespeichert?
OpenAI API, Audio-Transkription	✗ Nur wenn du der Datenweitergabe zustimmst	✗ Für diesen Endpunkt keine Speicherung zur Missbrauchsüberwachung oder für den Anwendungsstatus
Google Cloud Speech-to-Text	✗ Nur wenn du am Daten-Logging-Programm teilnimmst	✗ Standardmäßig werden weder Audio noch Transkripte von Kunden protokolliert
Amazon Transcribe (AWS)	~ KI-Dienste von AWS können Inhalte zur Verbesserung der Dienste nutzen, auch fürs Modelltraining, wenn du nicht widersprichst	~ Kann gespeichert werden, unter Umständen in einer anderen AWS-Region, wenn du nicht widersprichst

Laut der Dokumentation des jeweiligen Anbieters, geprüft im November 2026. Einstellungen und Bedingungen können sich ändern.

Daraus folgen zwei Dinge. Erstens: „Cloud“ ist nicht gleich Cloud. Dasselbe Audio kann sehr unterschiedlich behandelt werden, je nachdem, wer es verarbeitet. Zweitens hast du mit diesen Anbietern meist nicht direkt zu tun. Deine Aufnahme-App wählt einen aus, und ihre eigenen Bedingungen und ihre Liste der Unterauftragsverarbeiter verraten dir, welchen. Loom zum Beispiel sagt, dass seine Transkription auf die GPT-Modelle von OpenAI, die Gemini-Modelle von Google, ein selbst gehostetes Whisper und den Transkriptionsanbieter Speechmatics zurückgreift, den die Liste der Unterauftragsverarbeiter mit Standort USA aufführt. Die Details gehen wir in Loom und DSGVO durch.

Wie lokale Transkription funktioniert

Bei der lokalen Transkription läuft dieselbe Art von Modell stattdessen auf deinem Computer:

1. Die App lädt einmal ein Spracherkennungsmodell herunter.
2. Wenn du aufnimmst, läuft das Modell auf dem Prozessor deines Mac und wandelt das Audio in Text um.
3. Für die Transkription wird nichts hochgeladen. Es funktioniert offline.

Auf dem Mac sind zwei Familien lokaler Modelle verbreitet.

Whisper

Whisper ist ein universelles Spracherkennungsmodell von OpenAI, dessen Code und Modellgewichte unter MIT-Lizenz stehen. Wie es trainiert wurde, beschreibt OpenAI in einem Forschungspapier, das zusammen mit dem Modell erschienen ist. Weil die Gewichte öffentlich sind, können Apps es mitliefern und lokal ausführen. Zum Ausprobieren siehe Whisper auf dem Mac.

Es gibt mehrere Größen, und die Wahl ist ein Kompromiss zwischen Geschwindigkeit und Genauigkeit. Das offizielle Repository nennt:

Modell	Parameter	Benötigter Speicher (ca.)	Relative Geschwindigkeit
tiny	39 Mio.	1 GB	etwa 10x
base	74 Mio.	1 GB	etwa 7x
small	244 Mio.	2 GB	etwa 4x
medium	769 Mio.	5 GB	etwa 2x
large	1.550 Mio.	10 GB	1x
turbo	809 Mio.	6 GB	etwa 8x

Laut dem offiziellen Repository openai/whisper, geprüft im November 2026. Geschwindigkeit relativ zu large.

Laut Repository ist turbo eine schnellere Version von large-v3 mit nur geringem Genauigkeitsverlust, und die rein englischen Versionen der kleineren Modelle schneiden bei Englisch meist besser ab.

Apples Speech-Framework

Apples Speech-Framework bietet schon seit Jahren lokale Erkennung. In der älteren API SFSpeechRecognizer kann eine App requiresOnDeviceRecognition setzen, damit eine Anfrage kein Audio über das Netzwerk schickt. Apple weist dabei selbst darauf hin, dass lokale Anfragen weniger genau sind. Ist dieses Flag nicht gesetzt, brauchen manche Sprachen eine Internetverbindung.

Mit macOS 26 hat Apple SpeechAnalyzer und SpeechTranscriber eingeführt. Ihre Modelle werden einmal von Apples Servern geladen, vom System verwaltet und zwischen Apps geteilt. Eine zweite App, die dieselbe Sprache braucht, lädt sie also nicht noch einmal herunter.

Die Abwägungen

	Lokal	Cloud
Deine Stimme bleibt auf deinem Computer	✓	✗ Wird zur App hochgeladen, oft auch zu einem Anbieter
Unabhängig von fremden Bedingungen	✓	✗ Deren Bedingungen gelten, und sie können sich ändern
Funktioniert offline	✓ Nach dem ersten Download	✗
Sofort einsatzbereit	✗ Einmaliger Modell-Download, größere Modelle heißt größere Downloads	✓ Nichts herunterzuladen
Geschwindigkeit	Hängt von deinem Mac und der Modellgröße ab	Hängt von Upload-Zeit und Serverlast ab
Genauigkeit	~ Gut bei klarer Sprache, kleinere Modelle machen mehr Fehler	Große Modelle sind bei Rauschen, Akzenten und Fachjargon oft besser
Akku und Wärme	~ Beansprucht deinen Prozessor, solange sie läuft	✓ Schont dein Gerät, braucht aber einen Upload

Bei den meisten Kundenvideos (eine Stimme, ein ordentliches Mikrofon, ein ruhiger Raum) ist der Unterschied in der Genauigkeit klein. Einen Vorsprung haben Cloud-Modelle noch bei schwierigem Audio: mehrere Leute, die durcheinanderreden, Hintergrundgeräusche, viel Fachjargon. Egal, was du nutzt: Ein besseres Mikrofon hilft jedem Modell. Unser Leitfaden, wie du einer Bildschirmaufnahme am Mac Untertitel hinzufügst, deckt die praktische Seite ab.

Was das für die DSGVO bedeutet

Eine Aufnahme deiner Stimme und das Transkript dessen, was du gesagt hast, sind personenbezogene Daten, sobald sie sich auf eine identifizierbare Person beziehen. Lädst du sie zu einem Transkriptionsanbieter hoch, wird dieser Anbieter zum Auftragsverarbeiter. Das heißt: ein Vertrag, ein Platz in deinem Verzeichnis und, wenn er außerhalb der EU sitzt, ein Mechanismus für die Übermittlung. Lokale Transkription nimmt dir deine übrigen Pflichten nicht ab, aber sie entfernt einen Auftragsverarbeiter aus der Kette. Die Rollen gehen wir in DSGVO und Kundenvideos durch, und unsere Seite zum DSGVO-freundlichen Screen Recorder zeigt, wie JustRec jeden Schritt handhabt.

Was du wählen solltest

Wähle lokal, wenn es im Audio um Kunden, Verträge oder etwas unter NDA geht, wenn deine Kunden in der EU sitzen und fragen, wohin ihre Daten gehen, oder wenn du oft offline arbeitest.

Wähle Cloud, wenn der Inhalt ohnehin öffentlich ist (ein Tutorial für deine Website), wenn das Audio schwierig ist und Genauigkeit über allem steht oder wenn du Funktionen brauchst, die in der Cloud auf dem Transkript laufen, etwa KI-Zusammenfassungen.

Viele werden am Ende beides nutzen. Entscheidend ist, dass du weißt, was eine bestimmte App verwendet, bevor du das Budget deines Kunden hineinsprichst.

Untertitel sorgen auch dafür, dass ein Video im ruhigen Büro am Handy angeschaut wird: Mehr dazu in Untertitel für Videos, die ohne Ton geschaut werden.