TranscriptionSuite Rezension: Kostenlose lokale Spracherkennung mit Sprecherzuordnung

TranscriptionSuite besteht aus zwei Teilen: einem Dashboard, das Sie installieren, und einem Server, den die App herunterlädt und verwaltet. Die Dateien hängen am aktuellen GitHub-Release; die Zeilen unten reichen vom einfachsten zum aufwendigsten Weg.

TranscriptionSuite ist eine Transkriptions-App, kein Meeting-Bot und kein Cloud-Dienst. Das README beschreibt ein Electron-Dashboard mit Python-Backend, das Modelle wie Whisper, NVIDIA NeMo, VibeVoice-ASR, SenseVoice, whisper.cpp und MLX unterstützt und per CUDA, Apple Metal oder Vulkan beschleunigt wird, oder eben auf der reinen CPU läuft.

Der Autor beschreibt es als persönliches Werkzeug, das zum Hobbyprojekt wurde, gebaut von einem Maschinenbau-Ingenieur ohne Softwareentwickler-Hintergrund; in den Worten des README: „this whole thing is vibecoded“, wenn auch nicht blind. Der Autor sagt, er nutze es selbst und wolle es nicht aufgeben.

Diese Rezension stützt sich auf die Website, das README und die GitHub-Releases. Einen eigenen Praxistest gab es nicht, daher werden Genauigkeit, Tempo und Stabilität hier nicht bewertet.

Die Einrichtung besteht aus der Installation des Dashboards und dem Start des Servers in der App. Die Schritte folgen dem README.

Die Funktionsliste ist für ein Ein-Personen-Projekt breit. Alles Folgende stammt aus dem README und von der Website.

Sie wählen das Sprachmodell, und die App erkennt Ihre Hardware und blendet nicht passende Optionen aus. Auf Docker-Plattformen stehen WhisperX (faster-whisper-Modelle), NVIDIA Parakeet v3 und Canary v2, VibeVoice-ASR, SenseVoice und whisper.cpp zur Wahl; auf Apple silicon sind es die MLX-Versionen von Whisper, Parakeet, Canary und VibeVoice-ASR.

Die Sprachabdeckung hängt vom Modell ab: Whisper beherrscht über 90 Sprachen und kann ins Englische übersetzen, Parakeet und Canary decken 25 europäische Sprachen ab, VibeVoice 51 und SenseVoice fünf. NeMo-Modelle laufen nicht auf der CPU-Laufzeit, und VibeVoice-ASR ist ein Modell mit 9 Milliarden Parametern und rund 16 GB.

Der Entwickler gibt an, dass eine halbe Stunde Audio mit Whisper auf einer RTX 3060 in unter einer Minute transkribiert wird; diese Angabe hat diese Rezension nicht nachgemessen. Das README nennt keine Mindestanforderung an RAM oder VRAM.

Laut README läuft alles auf Ihrem Rechner, und Audio sowie Transkripte verlassen ihn nie. Internet wird nur zum Herunterladen von App und Modellgewichten beim ersten Einsatz gebraucht; danach funktioniert es offline. Die Sprecherzuordnung mit Whisper oder NeMo nutzt PyAnnote-Modelle, die ein kostenloses Hugging-Face-Token erfordern.

Der KI-Assistent im Notizbuch kann mit jedem OpenAI-kompatiblen Anbieter sprechen, auch mit Cloud-Diensten wie Groq, OpenAI und OpenRouter; was Sie dorthin senden, fällt nicht unter die Aussage „nur lokal“. Das README nennt außerdem eine wöchentliche Prüfung auf neue Versionen.

Der Code steht unter GPL-3.0 oder neuer, und die App ist kostenlos. Eine eigene Datenschutzerklärung wurde nicht gefunden. Diese Rezension hat den Netzwerkverkehr nicht geprüft; die Aussagen stammen also vom Entwickler.

Dies sind die nächsten Spracherkennungs-Werkzeuge im Verzeichnis: ein weiterer Besprechungs-Transkribierer, eine Mac-Diktier-App und zwei Engines, auf denen man aufbauen kann.

TranscriptionSuite passt gut zu Menschen, die private, lokale Transkription mit Sprecherzuordnung wollen und mit Docker zurechtkommen, oder die einen Mac mit Apple silicon besitzen, auf dem der gebündelte Build diesen Schritt erspart.

Die Vorbehalte betreffen Reife und Transparenz: ein einzelner, sich selbst als „vibe-codierend“ beschreibender Maintainer, keine Datenschutzerklärung, keine Genauigkeits-Benchmarks außer der eigenen Tempoangabe des Autors und eine nicht signierte macOS-App. Probieren Sie es zuerst mit nicht sensiblen Aufnahmen aus.