Zehn Minuten gesprochene Sprache in wenigen Sekunden als Text: Das klingt nützlich. Bevor wir applaudieren, würden wir allerdings gern den Text lesen.

Tether, das Unternehmen hinter dem Stablecoin USDT, hat ein Spracherkennungsmodell veröffentlicht: QVAC TranscribePsy. Entwickler können damit Anwendungen bauen, die Aufnahmen direkt auf dem Gerät verarbeiten, ohne die Audiodaten an einen entfernten Server zu schicken.

Zieht man die smarten Brillen, humanoiden Roboter und großen Datenschutzversprechen ab, bleibt diese Ankündigung: Software, die Aufnahmen auf dem eigenen Gerät in Text umwandelt. Dass Gespräche nicht auf dem Server eines anderen landen, ist ein echter Vorteil. Wie genau die Software sie verschriftlicht, sagt uns das noch nicht.

Tempo ist nur die halbe Geschichte

Entscheidend ist, wie viel man hinterher korrigieren muss. Ein echtes Meeting folgt selten einem sauberen Drehbuch. Menschen nuscheln, fallen einander ins Wort und nennen unbekannte Namen. Eine falsche Zahl kann schwerer wiegen als zehn fehlende Kommas.

Tether veröffentlicht durchaus Ergebnisse zur Genauigkeit. In den eigenen Tests erreicht das Modell für 25 Sprachen eine Wortfehlerrate von 8,02 Prozent auf Open ASR und 21,56 Prozent auf Common Voice. Die Ergebnisse stammen aus unterschiedlichen Datensätzen und sind deshalb keine austauschbaren Angaben zur Genauigkeit.

Diese Zahlen verdienen Beachtung. Wie viel Nacharbeit das Protokoll deines nächsten Meetings braucht, verraten sie nicht. Wir haben das Modell nicht unabhängig getestet. Wenn ein Transkript umfangreiche Korrekturen braucht, bist du dank des höheren Tempos nur früher beim Nachbessern.

Und was ist mit den 1,65 Sekunden?

Laut Tether transkribiert das Modell auf einem iPhone 17 Pro Max zehn Minuten Audio in 1,65 Sekunden. Die technische Dokumentation enthält eine wichtige Einschränkung: Ein Kaltstart von 12,7 Sekunden, bei dem das Modell einsatzbereit gemacht wird, ist dabei nicht mitgerechnet.

Diese Startverzögerung fällt nicht bei jeder Aufnahme an. Die 1,65 Sekunden beschreiben die Verarbeitung, wenn das Modell bereits bereitsteht – nicht die gesamte Wartezeit ab dem Kaltstart. Außerdem stammt das Ergebnis von einem bestimmten Telefon. Es ist kein Versprechen für jedes Smartphone.

Live-Transkription fehlt noch

Bei all den Versprechen zur Interaktion in Echtzeit hält die offizielle technische FAQ fest: Diese Version verarbeitet eine Aufnahme oder Äußerung erst, wenn sie abgeschlossen ist. Die fortlaufende Spracherkennung wird noch entwickelt.

Die fertigen Smartphone-Versionen unterstützen acht Sprachen. Die Ausgabe für 25 Sprachen, darunter Russisch, ist eine eigene Version für Computer und Server. Der größere Sprachumfang gilt nicht für die derzeit verfügbaren mobilen Versionen.

Jetzt bitte ein echtes Gespräch

Hier gibt es durchaus etwas zum Ausprobieren: herunterladbare Modelle, lokale Verarbeitung, veröffentlichte Benchmarks und eine Apache-2.0-Lizenz laut Modellbeschreibung. Entwickler bekommen tatsächlich Software, mit der sie arbeiten können.

Jetzt bitte ein Gespräch mit Hintergrundgeräuschen und Menschen, die einander unterbrechen. Das Transkript veröffentlichen, die Korrekturen zählen und das Ergebnis mit einem vorhandenen Werkzeug vergleichen – bei derselben Aufnahme. Spracherkennung muss Arbeit sparen. Die Roboter können warten.