Subtitles

Privat · Auf dem Gerät · Apple Neural Engine

Live-Untertitel für
alles, was dein Mac gerade abspielt.

Videos, Anrufe, Podcasts: transkribiert, während sie laufen, und gezeichnet als Overlay, das immer oben liegt. Nichts wird hochgeladen, nichts wird aufgenommen, nichts wird auf die Festplatte geschrieben.

14 Tage Geld zurück, ohne Rückfragen

Kaufen für 9 $ Quellcode ansehen

Einmalig 9 $, alle künftigen Updates inklusive · macOS 14.2 oder neuer · Apple Silicon
Unbegrenzte Untertitel, so lange du willst. Keine Minuten zu kaufen, kein Konto, kein Abo.

Wechsle die App, und die Untertitel bleiben: Das Overlay liegt über jedem Fenster und lässt Klicks durch.

Klick ein Fenster an, um es nach vorn zu holen. Halte ⇧ gedrückt und zieh die Untertitel, um sie zu verschieben, genau wie in der App.

Zeig mit dem Mauszeiger auf die Untertitel, und sie lösen sich unter ihm auf. Halte ⌥ gedrückt, um die letzten wieder aufzustapeln. Beides funktioniert hier genau so wie in der App.

Live-Untertitel für jede App auf deinem Mac

Subtitles untertitelt jeden Ton, den dein Mac abspielen kann, weil es die App selbst abgreift, statt sich an einen bestimmten Dienst anzubinden. Ob du gehörlos oder schwerhörig bist, in einer Fremdsprache zuhörst oder einfach an einem lauten Ort arbeitest: Drei Situationen kommen immer wieder.

01

Meetings und Anrufe

Zoom, Google Meet, Teams, ein Slack-Huddle, ein Anruf in einem Browser-Tab: Das ist alles nur Ton, der aus einer App kommt, also wird alles untertitelt. Fremdsprache oder nicht, es verdient sich seinen Platz in dem Moment, in dem ein Akzent ungewohnt ist, jemandes Mikrofon schlecht ist oder zwei Leute gleichzeitig reden: Ein Wort zu lesen, das du nur halb gehört hast, geht schneller, als noch einmal danach zu fragen, und es unterbricht niemanden.

02

Den Faden behalten, während du arbeitest

Ton wartet nicht. In dem Moment, in dem du zu deinen Notizen, deinem Editor oder einem Browser-Fenster wechselst, fängst du an, das Gespräch zu verlieren. Das Overlay liegt immer über jedem Fenster und lässt Klicks durch, es bleibt also, wo es ist, während du davor arbeitest. Du kannst mitschreiben, etwas nachschlagen und trotzdem folgen, was gesagt wird. Ein Notizblock wie Granola schreibt das Meeting hinterher zusammen; das hier ist die Hälfte, die passieren muss, solange es noch läuft.

03

Videos, Podcasts und Vorlesungen

Ein Video ohne Untertitel, oder mit automatischen, die schlimmer sind als gar keine. Ein Podcast in einer Sprache, die du noch lernst. Eine aufgezeichnete oder gestreamte Vorlesung, ein Interview, ein Film mit leisen Dialogen. Die Untertitel erscheinen über dem Fenster, das gerade abspielt, in der Textgröße, die du einstellst, in neun Sprachen und mit der Sprache, die für dich erkannt wird.

Alle drei haben dasselbe gemeinsam: Ein Meeting, ein Anruf und eine private Aufnahme gehen keinen Server etwas an. Nichts von diesem Ton wird hochgeladen, weil nichts davon hochgeladen werden muss: Das Modell läuft auf deinem Mac.

Um drei Einschränkungen herum gebaut

Live-Ton lässt sich nicht anhalten, nicht noch einmal abspielen, und er sollte deine Maschine nicht verlassen müssen. Alles hier folgt daraus.

Nichts verlässt den Mac

Es läuft lokal und offline: keine Netzwerkaufrufe, keine Konten, keine Telemetrie. Der Ton geht vom Tap direkt in die Spracherkennung und wird verworfen. Das Einzige, was je heruntergeladen wird, ist das Modell selbst, ein einziges Mal.

Neural Engine, nicht CPU

Etwa 0,15 Real-Time Factor: sechs Sekunden Sprache transkribiert pro Sekunde Rechenzeit. Dasselbe Modell auf der CPU war gemessen rund 100× zu langsam, um mit einem Live-Stream mitzuhalten.

Jede App, immer nur eine

Wähl eine Quelle in der Menüleiste, und es erfasst diese App und jeden Hilfsprozess, den sie startet. Genau das lässt es mit Browsern und Electron-Apps funktionieren, bei denen der Ton nie aus dem Hauptprozess kommt.

Musik wird nicht zu Songtext

Ein Sprachdetektor läuft der Spracherkennung voraus, damit Hintergrundmusik sie nie erreicht. Ohne ihn füllt Musik den Kontext des Modells, und die ersten Worte danach gehen verloren.

Ein neues Feld pro Sprecher

Auf Wunsch beginnt ein neuer Untertitel, sobald jemand anderes zu sprechen anfängt, genau wie bei einer Pause. Standardmäßig aus: Dafür läuft ein zweites Modell neben dem ersten.

Neun Sprachen

Das Standardmodell erkennt die Sprache selbst. Für Englisch kommen sieben eigene Checkpoints dazu, die ab 160 ms Latenz gegen Genauigkeit tauschen.

Das Overlay geht dir aus dem Weg

Etwas, das über jedem Fenster liegt, funktioniert nur, wenn es nie selbst zu dem wird, worum du herumarbeitest. Es nimmt keine Klicks, es löst sich dort auf, wo du hinzeigst, und es gibt dir die Zeile zurück, von der du weggeschaut hast.

Ein Loch, wo du hinzeigst

Führ den Mauszeiger ans Feld heran, und es löst sich darunter auf, sodass der Satz, den du liest, nie den Satz verdeckt, den du schreibst. Wie viel davon verschwindet und wie weit das Loch reicht, stellst du selbst ein. Halte ⇧ gedrückt, damit es deckend bleibt.

⌥ gedrückt halten für das, was du verpasst hast

Das Feld blättert um wie Untertitel im Fernsehen: Es füllt sich, wird geleert und fängt neu an, eine Zeile, von der du weggeschaut hast, ist also fort. Halte ⌥ gedrückt, und die letzten fertigen Felder stapeln sich wieder über das laufende, bis zu dreißig davon, mit Scrollen für die älteren. Lass los, und sie sind wieder weg. Nirgendwo wird etwas geschrieben.

Das Overlay ist die Vorschau

⌘, öffnet aus dem Menü die Einstellungen: wie viele Zeilen ein Feld füllt, bevor es geleert wird, wie deckend es ist, wie weit das Auflösen unter dem Mauszeiger reicht, wie weit ⌥ zurückgeht. Jeder Regler wirkt auf das Overlay, während du ihn ziehst, du stellst das also ein, indem du hinsiehst, und nicht, indem du eine Zahl wählst.

So funktioniert es

Ein Realtime-Audio-Thread, der nie mehr tut als kopieren, ein portabler Kern, der nie transkribiert, und ein Modell, das dort läuft, wo es hingehört.

  1. 1

    Process Tap von Core Audio

    48 kHz Stereo, ein Callback alle 10,7 ms. Der Realtime-Thread kopiert in einen lock-free Ring Buffer und tut sonst nichts.

  2. 2

    Resampling und Gate

    Runter auf 16 kHz mono in einem Worker-Thread, Stille übersprungen, mit etwa einer Sekunde, die vor der Sprache noch einmal mitläuft, damit kein Wort kalt anfängt.

  3. 3

    Parakeet auf der Neural Engine

    Ein Streaming-Modell, keines mit 30-Sekunden-Fenster: der Unterschied zwischen Untertiteln, die dem Ton folgen, und Untertiteln, die Sekunden zu spät kommen.

  4. 4

    Overlay

    Dreizeilige Seiten, die sich leeren und neu anfangen, wie Untertitel im Fernsehen es tun, und die vier Sekunden nach dem letzten neuen Text ausblenden statt nach dem Ende des Tons.

Alles vom Ring Buffer bis zur Grenze des Modells ist portables Rust, das absichtlich nicht transkribiert: Es reicht Frames weiter. Der Process Tap und das Overlay sind die einzigen Mac-spezifischen Teile.

Kaufen für 9 $

14 Tage Geld zurück, ohne Rückfragen.

Nichts zu prüfen, nichts abzubestellen

Dass du das auf ein Arbeitsgespräch richten kannst, liegt daran, dass es kein Dienst ist. Es gibt keinen Server, kein Konto und kein Transkript, also gibt es nichts zu senden und niemanden sonst dazwischen. Der Quelltext ist veröffentlicht, nichts davon musst du also glauben.

  • Kein Bot betritt das Gespräch. Es nimmt den Ton auf, den dein Mac ohnehin abspielt, also taucht nichts in der Teilnehmerliste auf und niemandem wird gesagt, dass etwas mitläuft. Der Großteil dieser Kategorie schickt stattdessen einen sichtbaren Teilnehmer, was in vielen Unternehmen schlicht verboten ist.
  • Nichts wird aufgezeichnet, und nichts wird auf die Festplatte geschrieben. Der Ton geht vom Tap in die Erkennung und wird auf der Stelle verworfen. Die Untertitel stehen auf dem Bildschirm und sind dann weg; die Felder, die ⌥ zurückholt, liegen im Arbeitsspeicher, bis du die App beendest, und danach gibt es keine Datei zu finden, weder auf deinem Mac noch sonst wo.
  • Das Mikrofon wird nie geöffnet. Es hört immer nur, was dein Mac abspielt. Das ist eine echte Einschränkung, und es ist auch der Grund, warum nichts von dem, was du sagst, irgendwohin gelangen kann.
  • Kein Konto, keine Telemetrie, kein Netz. Nichts, wo man sich anmelden müsste, und keine Nutzung, die irgendwohin gemeldet wird. Das Modell lädt einmal, rund 633 MB, und danach bleibt kein einziger Netzaufruf mehr übrig: Zieh das WLAN ab, und es untertitelt weiter.
  • Es gibt nichts, womit sich trainieren ließe. Es existiert kein Transkript, das gesendet werden könnte, also gibt es keine Trainingseinstellung zu suchen, keine Voreinstellung zu prüfen und keinen Auftragsverarbeiter, den man in einem Vertrag nennen müsste. Ob das eurer eigenen Richtlinie genügt, entscheidest du, aber es gibt hier keinen Dritten zu prüfen.
  • Die eine Ausnahme ist der Kauf. Gumroad wickelt die Zahlung ab und sieht deine E-Mail-Adresse, wie jeder Laden das tut, und schreibt dir, wenn die App aktualisiert wird. Die App selbst fragt dich nach beidem nie.

Wähl eine Sprache, kein Modell

Die Sprache ist das Erste, was ein Modell ein- oder ausschließt, also steht sie ganz oben im Menü. Innerhalb eines Pakets zu wechseln geht sofort; von einem Paket ins andere lädt das andere herunter und behält, was du schon hast.

Änderst du mitten im Download deine Meinung, bricht er ab und der neue startet sofort. Wechselst du später zurück, wird fortgesetzt statt neu angefangen.

Es sitzt in der Menüleiste

Kein Dock-Symbol, kein Fenster, um das du dich kümmern musst. Das Symbol sagt dir, was gerade läuft: Indigo, während es zuhört, Blau, während ein Modell geladen wird, Gelb, wenn die Pipeline anfängt hinterherzuhinken, und nie Rot, denn Rot heißt Aufnahme, und hier wird nie etwas irgendwohin geschrieben. Die Schalter bleiben im Menü, und ⌘, öffnet von dort ein Einstellungsfenster für die Regler dahinter.

⌥⌘S
Anhalten und fortsetzen
⇧ gedrückt halten
Macht das Overlay verschiebbar; sonst lässt es Klicks durch
⌥ gedrückt halten
Stapelt die letzten Felder über das laufende; scrollen für die älteren
⌘,
Einstellungen, aus dem geöffneten Menü: Zeilen pro Feld, Deckkraft, das Auflösen unter dem Mauszeiger, wie weit ⌥ zurückreicht
Menüleiste
Modell, Quelle, Textgröße, Position des Overlays, Status der Berechtigung

Warum nicht die Live-Untertitel von Apple?

macOS hat Untertitel eingebaut, kostenlos, auf jedem Mac mit Apple Silicon, unter Systemeinstellungen, Bedienungshilfen, Live-Untertitel. Wenn das abdeckt, was du brauchst, nimm es. Das hier sind die Stellen, an denen es meins nicht mehr abgedeckt hat, und es gibt einen Vergleich Zeile für Zeile, wenn du die lange Fassung willst.

  • Neun Sprachen, für dich erkannt. Apples Variante ist nicht in jeder Sprache, jedem Land oder jeder Region verfügbar. Das Standardmodell hier findet die Sprache selbst heraus, und die Menüleiste wechselt zwischen ihnen.
  • Das Modell wählst du. Sieben englische Checkpoints, die ab 160 ms Latenz gegen Genauigkeit tauschen, dazu das mehrsprachige. Apple gibt dir Untertitel, keinen Regler.
  • Das Overlay lässt Klicks durch. Apples ist ein Fenster, das du verschiebst und in der Größe änderst. Dieses hier nimmt überhaupt keine Klicks an, du arbeitest mitten hindurch. Halte ⇧ gedrückt, wenn du es doch bewegen willst.
  • Es geht dort aus dem Weg, wo du hinzeigst. Das Feld löst sich unter dem Mauszeiger auf, damit du liest, was darunter liegt, so stark und so breit, wie du es einstellst. Apples ist ein deckendes Fenster, das du woanders hinschiebst.
  • Eine App, oder alle. Richte es auf den Tab, der den Anruf abspielt, und der Rest der Maschine bleibt still. Apples Variante transkribiert standardmäßig den Ton aller Apps.
  • Musik wird nicht zu Songtext. Ein Sprachdetektor läuft der Spracherkennung voraus, damit eine Hintergrundmusik sie nie erreicht.
  • Ein neues Feld pro Sprecher. Optional, standardmäßig aus, und ohne Entsprechung in der eingebauten Lösung.

Was du vor dem Download wissen solltest

  • Der erste Start dauert ein paar Minuten. Das Modell ist rund 633 MB groß und lädt sich beim ersten Start selbst herunter. Die Menüleiste zeigt den Fortschritt.
  • macOS wird um Erlaubnis bitten, den Systemton aufzunehmen. Übergehst du diese Abfrage, kommt jedes Sample als digitale Stille an, ohne dass irgendwo ein Fehler auftaucht. Deshalb behält die App eine Berechtigungsprüfung im Menü, statt so zu tun, als wüsste sie Bescheid. Der Download ist signiert und notarisiert, deine Antwort überlebt also jedes Update.
  • Gesang zählt als Sprache. Der Sprachdetektor kann den Unterschied nicht erkennen, also kommt Musik mit Gesang als Songtext durch.
  • Sprecherwechsel werden rückwirkend erkannt. Die Diarisierung meldet in festen Abständen, also können ein, zwei Wörter des neuen Sprechers noch im alten Feld landen, bevor es sich leert.
  • Ein Bildschirm. Das Overlay nutzt den Hauptbildschirm.
  • Modelle bleiben auf der Festplatte, sobald du sie ausprobierst. Zwischen den acht Modellen hin und her zu wechseln ist gerade die Art, das passende zu finden, und jedes, das du ausprobierst, wird behalten. In den Einstellungen gibt es einen Knopf, der die entfernt, die nichts benutzt, und nie das, das in Gebrauch ist.

Die Fragen, die zuerst kommen

Funktioniert es mit Zoom, Teams und Google Meet?
Ja. Es greift den Ton ab, den eine App abspielt, statt sich an einen bestimmten Dienst anzubinden. Ein Zoom-Fenster, ein Slack-Huddle und ein Anruf in einem Browser-Tab werden also alle gleich untertitelt. Browser und Electron-Apps eingeschlossen: Es erfasst die Hilfsprozesse, die diese starten, denn von dort kommt ihr Ton in Wirklichkeit.
Steht so ein Overlay nicht im Weg?
Es nimmt überhaupt keine Klicks, du arbeitest also glatt hindurch, und es löst sich unter dem Mauszeiger auf, damit du lesen kannst, was darunter liegt. Wie stark es sich auflöst, wie weit das reicht, wie deckend das Feld ist und wie viele Zeilen es hält, sind alles Einstellungen. Halte ⇧ gedrückt, damit es deckend bleibt und sich woanders hinziehen lässt; wo du es hinlegst, wird gemerkt.
Untertitelt es meine eigene Stimme?
Nein. Es hört immer nur, was dein Mac abspielt, nie das Mikrofon. In einem Anruf heißt das: Du liest die anderen, nicht dich selbst.
Braucht es eine Internetverbindung?
Einmal, um beim ersten Start das Modell zu holen, rund 633 MB. Danach läuft es komplett offline und macht überhaupt keine Netzwerkaufrufe.
Kann ich ein Transkript speichern oder exportieren?
Nein, und das ist Absicht. Nichts wird auf die Festplatte geschrieben: Die Untertitel stehen auf dem Bildschirm und sind dann weg. ⌥ gedrückt halten holt die letzten Felder zurück, solange die App läuft, und das ist dafür da, die Zeile nachzuholen, von der du weggeschaut hast, nicht dafür, etwas aufzubewahren. Wenn du ein Transkript des Gesprächs brauchst, ist das hier das falsche Werkzeug.
Muss die IT das freigeben?
Hier gibt es keinen Anbieter freizugeben: kein Konto, keinen Server, kein Transkript, das den Mac verlässt, und nichts, was als Teilnehmer ins Gespräch kommt, also wird niemand in der Besprechung von irgendetwas aufgezeichnet. Es ist eine signierte, notarisierte App auf einer Maschine, und nachdem das Modell einmal geladen ist, macht sie überhaupt keine Netzaufrufe mehr. Ob das eurer eigenen Richtlinie genügt, entscheidest du, aber es ist kein Dritter dabei, den man prüfen müsste.
Funktioniert es mit Kopfhörern oder AirPods?
Ja. Es erfasst den Ton, den eine App erzeugt, nicht den Klang aus einem Lautsprecher. Womit du hörst, macht also keinen Unterschied.
Bremst es meinen Mac aus?
Die Transkription läuft auf der Neural Engine statt auf der CPU, mit einem Real-Time Factor von etwa 0,15, also sechs Sekunden Sprache pro Sekunde Rechenzeit. Dasselbe Modell auf der CPU war gemessen rund 100× zu langsam, um überhaupt mitzukommen.
Auf welchen Macs läuft es?
Apple Silicon, macOS 14.2 oder neuer. Die Mindestversion kommt von den Process Taps von Core Audio, der API, auf der das Ganze aufgebaut ist.
Ist das ein Abo?
Nein. Einmalig 9 $, alle künftigen Updates inklusive, kein Konto anzulegen und keine Minuten zu kaufen. Wenn es nichts für dich ist, gibt es 14 Tage Geld zurück.
Kann ich den Quellcode sehen?
Ja. Er steht unter der FSL-1.1-ALv2, die zwei Jahre nach jedem Release zu Apache 2.0 wird. Lies ihn nach oder baue ihn selbst, auf github.com/daformat/subtitles.

Untertitel für alles, ohne dass Ton irgendwohin geht.

14 Tage Geld zurück, ohne Rückfragen

Kaufen für 9 $

Einmalig 9 $, alle künftigen Updates inklusive · macOS 14.2 oder neuer · Apple Silicon
Unbegrenzte Live-Untertitel, solange dir der Mac gehört. Keine Minuten zu kaufen, kein Konto, kein Abo.