Ausgangslage
Wer viel mit KI arbeitet, tippt viel: Prompts, Anweisungen, Notizen. Sprechen wäre deutlich schneller, Dienste wie Wispr Flow haben genau daraus ein Geschäft gemacht und werben mit viermal höherem Tempo gegenüber der Tastatur. Nur laufen solche Dienste in der Cloud, und am Schweizerdeutschen scheitern sie sowieso.
Vorgehen
Ein eigenes Diktat-Tool auf einem lokalen Whisper-Stack mit eigener GPU: Taste drücken, locker auf Schweizerdeutsch sprechen, und der Hochdeutsch-Text erscheint an der Cursor-Position, egal in welcher Anwendung. Zwei Modi stehen bereit: roh für maximales Tempo, oder mit Textglättung durch ein lokales Sprachmodell, das Füllwörter und Selbstkorrekturen entfernt. Nichts davon verlässt den Rechner.
Resultat und Beleg
Das Hauptziel ist erreicht: keine Zeit mehr mit dem Tippen von Prompts verlieren, sondern mit der KI reden wie mit einem Gegenüber. Latenzen zwischen 0,2 und 1,3 Sekunden, im täglichen Einsatz.
Ehrliche Grenze aus dem Projekt: Homophon-Fehler liessen sich mit kleinen lokalen Sprachmodellen nicht zuverlässig korrigieren. Statt einer KI-Illusion gibt es dafür eine deterministische Korrekturliste, die zuverlässig funktioniert. Auf der Ideenliste für einen späteren Ausbau steht die Meeting-Transkription mit Sprechertrennung.