Lokal oder Cloud: Was Ihr Telefon wirklich verlässt

Jede Sprache-zu-Text-App auf dem iPhone, die kein eigenes Modell mitbringt, ruft darunter dasselbe auf: Apples Speech-Framework. Dieses Framework hat zwei Betriebsarten, und der Unterschied dazwischen ist die gesamte Datenschutzfrage.

Die zwei Betriebsarten, konkret

Eine Erkennungsanfrage unter iOS trägt ein Kennzeichen, das Erkennung auf dem Gerät anfordert. Ist es gesetzt, verarbeitet ein Modell die Aufnahme, das bereits auf Ihrem Telefon liegt und mit den Sprachressourcen geladen wurde. Nichts geht über das Netz hinaus: Die Anfrage läuft auch im Flugmodus durch.

Ist das Kennzeichen nicht gesetzt, wird das Audio an Apples Spracherkennungsdienst übertragen, dort transkribiert, und der Text kommt zurück. Das ist der ältere Weg und für viele Sprachen weiterhin der genauere, denn das Servermodell ist um ein Vielfaches größer als alles, was in den Speicher eines Telefons passt.

Die Tücke: Das Kennzeichen ist eine Bitte, keine Garantie. Hat die angeforderte Sprache kein lokales Modell installiert, schlägt die lokale Anfrage schlicht fehl oder liefert nichts. Dann hat die App die Wahl: Ihnen den Fehlschlag melden — oder still gegen den Server nachfassen.

Wovon abhängt, welcher Weg läuft

Sprachabdeckung

Apple liefert lokale Erkennung für einen Teil der insgesamt unterstützten Sprachen. Die verbreiteten — Englisch, Spanisch, Französisch, Deutsch, Mandarin, Japanisch — haben auf aktueller Hardware ein lokales Modell. Kleinere Sprachen und manche regionalen Varianten gibt es nur serverseitig. Diese Liste ändert sich zwischen iOS-Versionen, und keine App steuert sie.

Ob die Ressource geladen ist

Unterstützt heißt nicht installiert. Das lokale Modell einer Sprache kommt, wenn das System es zu holen beschließt — praktisch also, nachdem Sie die Sprache zur Tastatur oder zum Diktat hinzugefügt haben und das Telefon eine Weile im WLAN war. Ein frisch zurückgesetztes Telefon kann „unterstützt" sein und trotzdem nichts Lokales zum Ausführen haben.

Aufnahmequalität und Länge

Lokale Modelle sind kleiner und weniger nachsichtig. Leises, weit entferntes, stark akzentuiertes oder verrauschtes Material, das ein Servermodell bewältigt, kommt vom lokalen bisweilen leer zurück. Lange Dateien werden in Abschnitte zerlegt, und ein einzelner Abschnitt kann scheitern, während der Rest durchläuft.

Wie Sie feststellen, welcher Weg tatsächlich lief

Kaum eine App zeigt es an. Der belastbare Test dauert dreißig Sekunden und verlangt niemandem Vertrauen in Werbeaussagen ab:

• Flugmodus einschalten und sicherstellen, dass auch das WLAN aus ist.
• Einen kurzen Clip aufnehmen und die Transkription starten.
• Kommt Text zurück, wurde er auf Ihrem Gerät erzeugt. Es gab kein Netz, das zu nutzen gewesen wäre.
• Kommt nichts oder eine Fehlermeldung, wären diese Sprache oder dieses Audio zum Server gegangen.

Wiederholen Sie es je Sprache. Was bei Deutsch herauskommt, sagt nichts über Ukrainisch.

Was beim Server-Weg tatsächlich übertragen wird

Läuft der Server-Weg, geht das Audio hinaus — keine Zusammenfassung, nicht nur der Text. Apple dokumentiert das im Rahmen des Speech-Frameworks und der Datenschutzhinweise, und es ist derselbe Dienst, der seit jeher das Tastaturdiktat trägt. Es ist ein Weg zu Apple selbst, nicht zu einem Dritten — aber „bei Apple" ist eben nicht dasselbe wie „lokal", und beides wird in App-Beschreibungen laufend vermengt.

Seien Sie skeptisch bei jeder App, die „vollständig auf dem Gerät" verspricht, ohne nach Sprache zu differenzieren. Nutzt sie das Speech-Framework und unterstützt vierzig Sprachen, ist sie bei diesen vierzig nicht durchgehend lokal. Entweder scheitert sie beim Rest, oder sie weicht aus.

Wie Voice Studio damit umgeht

Voice Studio nutzt das Speech-Framework und versucht immer zuerst den lokalen Weg. Liefert dieser Durchlauf nichts oder bricht er ab, wird dasselbe Audio ohne das Lokal-Kennzeichen erneut versucht — das heißt, das Audio geht bei bestehender Verbindung an Apples Sprachdienst. Diesen Rückfall gibt es, weil die Alternative wäre, Ihnen ein leeres Transkript zu übergeben, und ein leeres Transkript ist das, was Menschen als „die App funktioniert nicht" melden.

Das sagen wir lieber klar, als eine Garantie zu versprechen, die wir nicht halten können. Brauchen Sie bei einer bestimmten Aufnahme Gewissheit, transkribieren Sie im Flugmodus: Der Rückfall hat kein Netz, das er erreichen könnte — also schafft es entweder das lokale Modell, oder Sie bekommen nichts, und in beiden Fällen wurde nichts gesendet. Abgesehen von diesem Weg hat Voice Studio kein Konto, keinen eigenen Server und kein Analyse-SDK; Aufnahmen und Transkripte liegen im app-eigenen Speicher auf dem Gerät.

Häufige Fragen

Funktioniert lokale Transkription im Flugmodus?

Ja, bei Sprachen, deren lokales Modell auf dem Telefon installiert ist. Genau deshalb ist der Flugmodus ein brauchbarer Test: Kommt ohne Netz Text zurück, wurde er lokal erzeugt.

Ist Apples Server-Transkription dasselbe wie eine Übermittlung an Dritte?

Es ist ein Dienst von Apple selbst, derselbe wie hinter dem Tastaturdiktat. Kein fremdes Unternehmen — aber das Audio verlässt Ihr Gerät, also ist es auch nicht lokal.

Kann eine App rein lokal bleiben und nie ausweichen?

Technisch ja: Sie kann lokale Erkennung anfordern und im Fehlerfall schlicht den Fehlschlag melden statt nachzufassen. Der Preis sind leere Transkripte bei jeder Sprache und jedem Audio, das das lokale Modell nicht bewältigt.

Sendet Voice Studio meine Aufnahmen an einen eigenen Server?

Nein. Voice Studio hat weder Konto noch eigenen Server. Der einzige Weg, auf dem Audio das Gerät verlässt, ist Apples Sprachdienst als der oben beschriebene Rückfall.