SpeechAnalyzer

SpeechAnalyzer ist ein Werkzeug für Programmierer, das gesprochene Sprache in geschriebenen Text verwandelt. Apple hat es 2025 zusammen mit den neuen Versionen seiner Betriebssysteme für iPhone, iPad und Mac veröffentlicht. Wer eine App entwickelt, kann damit ein Mikrofon oder eine Audiodatei auswerten lassen, ohne selbst eine Spracherkennung bauen zu müssen. Der Name setzt sich aus dem englischen Wort für Sprache und dem Wort für Auswerter zusammen. Wichtig ist vor allem eines: Die Auswertung passiert auf dem Gerät selbst, nicht auf einem entfernten Rechner im Internet. Die Tonaufnahme verlässt das Handy oder den Laptop also gar nicht erst.

Warum Apple die alte Spracherkennung ersetzt

Apples vorheriges System für Spracherkennung stammte aus dem Jahr 2016 und hieß SFSpeechRecognizer. Es war auf kurze Befehle ausgelegt, etwa das Diktieren einer einzelnen Nachricht. Bei langen Aufnahmen wurde es unzuverlässig, und oft schickte es die Tonspur zur Auswertung an Apples Server. Genau diese beiden Schwächen adressiert SpeechAnalyzer.

Der Unterschied wird bei Aufnahmen von einer Stunde deutlich. Ein Meeting, eine Vorlesung oder ein Podcast lässt sich damit am Stück auswerten. Entwickler haben früh gemessen, dass SpeechAnalyzer eine mehrstündige Aufnahme deutlich schneller in Text umsetzt als vergleichbare offene Systeme, die auf demselben Gerät laufen. Für Apps, die Notizen aus Gesprächen erzeugen, ist das der entscheidende Punkt.

Dazu kommt der Datenschutz. Wenn eine Arztpraxis, eine Anwältin oder ein Journalist Gespräche mitschneidet, ist das Hochladen auf fremde Server heikel. Verarbeitung auf dem Gerät umgeht dieses Problem. Außerdem entstehen keine laufenden Kosten pro Minute Audio, wie sie bei Diensten im Netz üblich sind.

Vom Mikrofon zum fertigen Satz

SpeechAnalyzer selbst erkennt keine Sprache. Es ist eher ein Gerüst, in das man einzelne Bausteine einhängt. Der wichtigste dieser Bausteine heißt SpeechTranscriber und macht die eigentliche Umwandlung von Ton in Text. Andere Bausteine können denselben Tonstrom parallel auf andere Merkmale untersuchen.

Der Ablauf ist ein Fließband. Die App schiebt Audio in kleinen Häppchen hinein, und am anderen Ende kommen laufend Textstücke heraus. Diese Textstücke gibt es in zwei Sorten. Die erste ist ein schneller vorläufiger Vorschlag, der sofort auf dem Bildschirm erscheinen kann. Die zweite ist die endgültige Fassung, die das Modell ausgibt, sobald es genug Zusammenhang gehört hat. Deshalb sieht man in solchen Apps manchmal, wie sich ein gerade geschriebenes Wort noch einmal ändert.

Die dafür nötigen Sprachmodelle lädt das Gerät bei Bedarf einmal herunter. Sie liegen dann im System und werden von allen Apps gemeinsam genutzt, statt in jeder App erneut zu belegen. Ein häufiger Irrtum ist, SpeechAnalyzer erkenne automatisch, wer gerade spricht. Eine solche Sprechertrennung bringt es nicht mit. Zeitstempel für einzelne Wörter liefert es dagegen sehr wohl, was für Untertitel praktisch ist.

Apps, in denen die Technik schon steckt

Apple nutzt SpeechAnalyzer in eigenen Programmen. Die Notizen-App kann Sprachaufnahmen mitschreiben, und die Telefon-App zeigt bei Anrufen eine Textfassung an. Auch die automatischen Untertitel in FaceTime beruhen darauf.

Interessanter ist der Effekt bei kleinen Anbietern. Eine Notiz-App aus einem Zwei-Personen-Team kann seit 2025 Transkription anbieten, ohne teure Server zu mieten. In Tech-News taucht der Begriff deshalb oft im Zusammenhang mit dem Wettbewerb um Diktier-Apps auf. Gegenüber Whisper, einem frei verfügbaren Spracherkennungsmodell von OpenAI, hat SpeechAnalyzer den Vorteil der engen Verzahnung mit dem Betriebssystem. Der Nachteil ist offensichtlich: Es läuft ausschließlich auf Apple-Geräten.