VoxaFlow trainiert eigene Modelle für das Diktieren ohne Cloud

VoxaFlow: eigene Modelle mit Version 1.0, iPhone-Testversion im Dezember

VoxaFlow ist eine Diktier-App, die vollständig auf dem eigenen Rechner arbeitet. Man hält eine Taste, spricht und lässt los. Der Text erscheint an der Schreibmarke, egal in welcher Anwendung. Die App entfernt Füllwörter, setzt Satzzeichen und übernimmt Korrekturen, die man beim Sprechen macht: Wer sagt „um drei, nein, um vier“, bekommt nur „um vier“. Ton und Text verlassen dabei das Gerät nicht. Die Entwicklung begann im Oktober 2026, VoxaFlow wird in Deutschland entwickelt und gehostet.

Release-Kandidat für Mac und Windows

Seit dem 28. Oktober liegt für beide Plattformen der dritte Release-Kandidat vor, Version 1.0.0-rc3. Die Mac-Version setzt macOS 14 und einen Mac mit Apple Silicon voraus. Die Windows-Version läuft unter Windows 11 auf Rechnern mit Intel- oder AMD-Prozessor. Diktiert wird am Mac mit der fn-Taste, unter Windows mit der rechten Strg-Taste.

Mit dem Release-Kandidaten ist der Funktionsumfang festgelegt. Bis zur Version 1.0 werden nur noch Fehler behoben. Die Windows-Version hat im Oktober den Stand der Mac-Version erreicht. Es fehlt nur der Abgleich über iCloud, den es unter Windows nicht gibt.

Bis zum 31. Januar 2027 ist VoxaFlow kostenlos nutzbar, einschließlich Pro und aller Fachpakete und ohne Benutzerkonto. Version 1.0 erscheint im Januar gleichzeitig für Mac und Windows. Der Verkauf beginnt am 1. Februar 2027. Pro wird ein Einmalkauf, kein Abo, Updates inklusive. Wer die App vor dem Verkaufsstart nutzt, erhält den Launch-Preis. Die App zeigt dafür unter „Lizenz“ einen Früh-Code, der beim Kauf auf einem weiteren Rechner eingegeben wird.

Neuerungen im Oktober

Die Fachpakete Medizin sowie Recht & Steuern gibt es nun auch auf Englisch, in US- und britischer Schreibweise. VoxaFlow erkennt die Sprache jedes Diktats und wendet die passenden Wortlisten und Schreibregeln an. So wird aus „fifty milligrams“ „50 mg“. Ein deutsches Diktat behält die deutschen Regeln.

Mehrere Änderungen gehen auf Rückmeldungen aus der Testphase zurück. Bei der KI-Überarbeitung gingen Wörter wie „bitte“ oder „nicht“ gelegentlich verloren. Das ist behoben. Fehlt eines davon trotzdem, fügt VoxaFlow den Text ohne die Überarbeitung ein. Gesprochene E-Mail-Adressen erkennt die App zuverlässiger, auch wenn die Spracherkennung sie in Einzelteile zerlegt. Außerdem lässt sich jetzt in die Bildschirmfreigabe zu einem anderen Mac diktieren.

Selbst trainierte Modelle

VoxaFlow nutzt zwei Modelle. Das erste erkennt die gesprochene Sprache, das zweite bereinigt den Text. Für die Bereinigung kommt bislang ein frei verfügbares Sprachmodell von Qwen in unveränderter Form zum Einsatz. Es arbeitet zuverlässig, zeigt aber Eigenheiten. Gelegentlich wird aus „halb drei“ „15:30 Uhr“, oder es ergänzt in einem Datum einen Monat, der nicht gesagt wurde.

Der Maßstab für VoxaFlow lautet: nichts erfinden und schreiben, was gesagt wurde. Ein falscher Name oder eine falsche Adresse wiegt schwerer als ein fehlendes Komma.

Seit Ende Oktober werden dafür eigene Modelle trainiert. Sie entstehen nicht von Grund auf. Grundlage sind offene Qwen-Modelle unter der Lizenz Apache 2.0, die auf eine einzige Aufgabe weitertrainiert werden: gesprochene Sprache in sauberen Text zu verwandeln.

Die Trainingsdaten sind vollständig künstlich erzeugt. Ein großes offenes Sprachmodell schreibt saubere Texte wie E-Mails, Listen, Notizen und Fachtexte. Daraus entstehen gesprochene Fassungen mit Füllwörtern, Versprechern und Korrekturen. Synthetische Stimmen lesen diese vor, und die Spracherkennung der App schreibt mit. So lernt das Modell an dem, was die Erkennung tatsächlich hört, einschließlich ihrer Fehler. Diktate von Nutzern fließen nicht ein. Sie stehen auch gar nicht zur Verfügung, weil VoxaFlow keinen Text an Server überträgt.

• Nach zehn Trainingsrunden mit zuletzt rund 27.000 Beispielen zeigt sich:

• Zeitangaben bleiben, wie sie gesprochen wurden. „Halb drei“ bleibt „halb drei“.

• Unbekannte Namen stehen so im Text, wie sie gehört wurden, und werden nicht durch bekannte ersetzt.

• Ansagen wie „neuer Absatz“ und „neue Zeile“ werden ausgeführt und nicht ausgeschrieben.

• Korrekturen wie „200 Euro, äh, Entschuldigung, 250 Euro“ werden aufgelöst.

Geplant sind zwei eigene Modelle. Das größere ist für leistungsstarke Rechner bestimmt und löst das bisherige Modell ab. In einem Test mit 31 neuen Diktaten auf einem Mac mit M4 Pro hat es weder eine Adresse noch eine Zahl oder einen Namen erfunden.

Das kleinere Modell ist für Macs und PCs mit wenig Arbeitsspeicher gedacht und für das iPhone. Auf solchen Macs läuft bisher ein kleineres Qwen-Modell. Im Vergleich mit 25 Testsätzen, ebenfalls auf einem M4 Pro, gab das eigene kleine Modell 22 Sätze inhaltlich richtig wieder, das bisherige 15.

Abgeschlossen ist die Arbeit daran noch nicht. Korrigiert man sich mitten in einer Aufzählung („zwei Monitore, nein, drei Monitore“), bleiben beim kleinen Modell manchmal beide Angaben stehen. Telefonnummern, die Ziffer für Ziffer gesprochen werden, gibt es noch nicht zuverlässig richtig wieder. Beides wird derzeit nachtrainiert, denn auch eine falsche Ziffer ist eine erfundene Angabe. Beide Modelle sollen mit Version 1.0 im Januar in die App kommen.

VoxaFlow für das iPhone

Im Dezember 2026 erscheint eine erste Testversion für das iPhone über TestFlight, Apples Plattform für Testversionen. Die Aktionstaste des iPhones wird dabei zur Diktiertaste: drücken, sprechen, und der bereinigte Text steht zum Einsetzen bereit. Auch auf dem iPhone bleibt die Verarbeitung auf dem Gerät. Wie man an der Testversion teilnimmt, wird zum Start bekanntgegeben.

Termine im Überblick

Dezember 2026: Testversion für das iPhone über TestFlight

Januar 2027: VoxaFlow 1.0 für Mac und Windows mit den eigenen Modellen

Januar 2027: Ende der kostenlosen Nutzung von Pro und allen Paketen

Februar 2027: Verkaufsstart

VoxaFlow steht unter voxaflow.ai/de?ref=blog2 zum Download bereit. Rückmeldungen nimmt das Projekt unter hello@voxaflow.ai entgegen.