Vosk: die direkte Spracherkennung, außerhalb ligne

#Was Vosk anders macht

Die führenden Transkriptionsmodelle verarbeiten Dateien: Sie erhalten eine vollständige Aufnahme und liefern nach Abschluss der Verarbeitung einen Text. Vosk verarbeitet einen Audiostream: Es erhält das Audio in kleinen Abschnitten und liefert während des Sprechens zunächst vorläufige und dann endgültige Ergebnisse, dank seiner Streaming-API mit einer Latenz nahe null. Die offizielle Projektbeschreibung nennt diese „zero-latency response with streaming API“ als zentrales Merkmal, ebenso wie die Größe seiner Modelle.

Dieser Unterschied in der Architektur erklärt alles Weitere: winzige Modelle, eine mühelose Ausführung auf der CPU, ein Speicherbedarf, der mit einem Raspberry Pi oder einem Einsteiger-Smartphone vereinbar ist, und eine geringere Textqualität als bei großen Modellen, wenn das Audiomaterial schwierig oder verrauscht ist.

#Vosk in Zahlen, auch für Französisch

Das Projekt beschreibt genau, was es bietet. Das offizielle Repository kündigt Spracherkennung für „20+ languages and dialects“, Bindings für Python, Java, Node.js, C#, C++, Rust und Go sowie „portable“ Modelle mit 50 MB an. Wer mehr Genauigkeit möchte, kann auf deutlich größere Servermodelle zurückgreifen. Alles wird unter der Apache-2.0-Lizenz veröffentlicht – eine nützliche Absicherung, wenn ein Projekt seine Open-Source-Abhängigkeiten gegenüber einer Rechtsabteilung begründen muss.

Der Größenunterschied (41 MB gegenüber 1,4 GB) führt zu einem deutlichen Unterschied in der Genauigkeit: Je nach Testdatensatz verdoppelt sich die Wortfehlerrate nahezu. Das ist der zentrale Kompromiss bei Vosk, mit Zahlen belegt statt nur angenommen: Das kleinere Modell macht häufiger Fehler; für Sprachbefehle mit begrenztem Wortschatz ist das akzeptabel, für die Transkription eines Interviews deutlich weniger. Neben den offiziellen Modellen veröffentlicht das vom französischen Softwareanbieter Linagora getragene Projekt LinTO eigene französischsprachige Modelle, die mit Vosk kompatibel sind — ein nützlicher Anhaltspunkt für ein französischsprachiges Projekt, das vor der Auswahl mehrere Quellen vergleichen möchte.

Die Einzelheiten der vier Testdatensätze (Common Voice, MTEDX, Podcasts, MLS) sollten auch als methodischer Warnhinweis gelesen werden statt als bloße Rangliste, die man unverändert übernimmt: Die Wortfehlerrate kann sich bei demselben Modell von einem Datensatz zum anderen verdoppeln; bei der leichtgewichtigen Version liegt sie zwischen 19,30 auf MTEDX und 27,25 bei den Podcasts. Eine saubere Studioaufnahme und ein bei Umgebungsgeräuschen aufgezeichnetes Gespräch liefern unabhängig vom gewählten Modell nicht dieselbe Qualität – ein weiterer Grund, mit Aufnahmen zu testen, die für den tatsächlichen Einsatz repräsentativ sind, statt sich auf einen einzigen veröffentlichten Durchschnittswert auf einem Produktdatenblatt zu verlassen.

#Echtzeitverarbeitung – die eigentliche Stärke

Latenz

Der Text erscheint bereits während des Sprechens, was Sprachbefehle und Live-Untertitel ermöglicht.

Teilergebnisse

Die Anwendung kann reagieren, bevor der Satz zu Ende gesprochen ist – unverzichtbar für ein Aktivierungswort oder einen kurzen Befehl.

Speicherbedarf

41 MB für das leichte französische Modell, gegenüber 1,4 GB für die Serverversion und oft mehreren Gigabyte für ein großes Allzweckmodell.

Eingeschränktes Vokabular

Die Erkennung kann auf eine Liste erwarteter Wörter beschränkt werden, was die Genauigkeit bei Befehlen erheblich verbessert.

Dieser letzte Punkt wird unterschätzt. Wenn Sie eine Anwendung per Sprache steuern möchten, macht die Beschränkung des Wortschatzes auf fünfzig mögliche Befehle aus einer durchschnittlichen Spracherkennungs-Engine eine sehr zuverlässige – während ein großes Allzweckmodell weiterhin zwischen ähnlichen Homophonen schwankt. Das bestätigt auch das offizielle Datenblatt, das „reconfigurable vocabulary“ neben der Sprecheridentifikation als native Funktion der Engine nennt – zwei Fähigkeiten, die nur wenige Engines dieser Größe von Haus aus bieten.

#Vosk oder Whisper

Es gibt keinen Gesamtsieger. Eine solide Verarbeitungskette nutzt oft beide: Vosk, um einen Befehl zu erkennen oder eine unmittelbare Rückmeldung anzuzeigen, während der Nutzer spricht, und ein größeres Modell wie Faster-Whisper, um die endgültige, genauere Transkription zu erstellen, sobald die Aufnahme abgeschlossen ist und Rechenkapazität zur Verfügung steht.

#Die Fälle, in denen Vosk die Nase vorn hat

1. 01
   Sprachsteuerung einer Anwendung

   Eingeschränktes Vokabular, minimale Latenz, keine Netzwerkabhängigkeit
2. 02
   Live-Untertitelung

   Internes Meeting, Konferenz, Barrierefreiheit in Echtzeit.
3. 03
   Embedded Hardware

   Ein Nanocomputer oder ein eigenständiges Gerät, auf dem ein großes Modell keinen Platz findet – das Projekt nennt ausdrücklich Raspberry Pi und Android als Zielplattformen.
4. 04
   Strikte Vertraulichkeit ohne GPU

   Ein gewöhnlicher Rechner, der nichts senden darf und keine Grafikkarte hat.

Diese vier Fälle haben eines gemeinsam: Sie tolerieren eine ordentliche statt einer hervorragenden Textqualität im Austausch für eine nahezu latenzfreie Verarbeitung und einen Ressourcenbedarf, der mit bescheidener Hardware vereinbar ist. Sobald die umgekehrte Anforderung gilt – höchste Qualität ist gefordert, einige Sekunden Latenz sind tolerierbar –, hat ein Modell zur Verarbeitung von Dateien wie Faster-Whisper wieder die Nase vorn. Das erklärt, warum die beiden Werkzeuge in einer vollständigen, gut konzipierten Sprachverarbeitungskette meist nebeneinander eingesetzt werden, statt einander zu ersetzen.

#Audioformate und Textexport

In der Praxis beschränkt sich ein Transkriptionsprojekt niemals auf den bloßen Aufruf der Engine: Man muss das empfangene Eingabeformat einlesen, es bei Bedarf konvertieren und anschließend das Ergebnis in einem Format ausgeben, das sich weiterverarbeiten lässt; häufig muss man dabei mehrere Anbieter von Aufzeichnungen gleichzeitig verwalten. Die in der oben zitierten Studie dokumentierte Pipeline veranschaulicht diesen vollständigen Ablauf: Einlesen mehrerer gängiger Audioformate (WAV, MP3, FLAC, OGG) über Python-Module zur Vorverarbeitung, Spracherkennung mit dem KaldiRecognizer von Vosk und anschließender Export des gewonnenen Textes in ein strukturiertes Dokument, das zum Gegenlesen oder Archivieren bereitsteht.

Dieses Detail ist wichtig, weil Vosk selbst als Eingabe einen Audiostream in einem bestimmten Format erwartet (Mono-PCM, in der Regel 16 kHz), nicht einfach eine beliebige Datei in ihrer ursprünglichen Form. Ein Projekt, das unterschiedliche Audiodaten erhält – Aufnahmen von Mobiltelefonen, Exporte aus Videokonferenzen, komprimierte Dateien aus verschiedenen Quellen –, benötigt daher fast immer einen Konvertierungsschritt vor der Erkennungs-Engine. Oft liegen genau dort, statt in der Engine selbst, die Ursachen für die weiter oben in diesem Leitfaden erwähnten Fehler, bei denen sich die Erkennung ohne ausdrückliche Fehlermeldung verschlechtert.

#Das Sprachmodell anpassen

Unter der Haube stützt sich die Spracherkennung von Vosk auf den eigenen KaldiRecognizer, der von der Spracherkennungsengine Kaldi abgeleitet ist – ein Detail, das erklärt, warum das Projekt das gesamte Ökosystem der Kaldi-Werkzeuge zur Anpassung übernimmt, statt bei jeder neuen Sprache oder jedem neuen Fachgebiet von vorne anzufangen. Eine aktuelle Forschungsarbeit zu diesem Thema, die auf einer angepassten Vosk-Pipeline aufbaut, hat die konkrete Wirkung eines angepassten Sprachmodells gemessen: Angepasste Modelle senken die Wortfehlerrate, insbesondere bei technischem Vokabular, ausgeprägten Akzenten oder verrauschten Audioaufnahmen.

Für ein französischsprachiges Projekt eröffnet das einen konkreten Ansatz jenseits der Wahl zwischen dem kleinen Modell und dem Servermodell: einen Fachwortschatz (Produktnamen, interner Jargon, Akronyme, lokale Eigennamen) in das Sprachmodell einzubringen, statt sich mit dem allgemeinen Wortschatz zu begnügen. Das erfordert mehr Arbeit als ein einfacher Download, bringt aber einen Vosk-Einsatz der Qualität eines großen Modells in einem bestimmten Fachgebiet am nächsten, ohne dessen Rechenaufwand oder Latenz in Kauf nehmen zu müssen.

#Umsetzung

Die Funktionsweise ist einfach: Man installiert das Paket (pip install vosk für Python), lädt ein Modell für die gewünschte Sprache herunter, öffnet einen Audiostream, übergibt der Engine Audioabschnitte und liest zunächst die vorläufigen, dann die endgültigen Ergebnisse aus. Es gibt Bindings für Python, Java, Node.js, C#, C++, Rust und Go, und ein WebSocket-Server ermöglicht es, eine Webseite oder eine mobile Anwendung mit einer Engine zu verbinden, die auf Ihrem Rechner läuft.

pip install vosk
curl -LO https://alphacephei.com/vosk/models/vosk-model-small-fr-0.22.zip
unzip vosk-model-small-fr-0.22.zip

Vor dem produktiven Einsatz sind zwei Punkte zu beachten: Die Qualität hängt stark vom gewählten Sprachmodell ab – die Tabelle oben gibt eine Größenordnung an, aber testen Sie das Modell mit Ihren eigenen Aufnahmen, bevor Sie darauf aufbauen – und die Abtastrate des Audios muss dem entsprechen, was das Modell erwartet. Andernfalls verschlechtert sich die Erkennung, ohne dass eine ausdrückliche Fehlermeldung erscheint.

• Lokaler Sprachassistent: die vollständige Kette
• Dateien schnell lokal transkribieren
• Den Assistenten mit Kokoro hörbar antworten lassen
• Whisper + Ollama: Transkription zu 100 % offline
• Quelle: offizielles GitHub-Repository von Vosk
• Quelle: Katalog der Vosk-Modelle mit Größen und Leistungswerten
• Quelle: Studie zur Anpassung des Sprachmodells Vosk

#FAQ