Warum Offline-KI-Stimmen zählen

Ein Roman sind acht bis zwölf Stunden Sprache. Grob eine halbe Million Zeichen. Diese Zahl ist das ganze Argument, es lohnt sich also, zuerst bei ihr zu bleiben.

1. Die Kosten hören auf, unsichtbar zu sein

Cloud-Sprachausgabe wird pro Zeichen abgerechnet. In Buchgröße ist das kein Rundungsfehler: Genau deshalb verkauft jeder darauf gebaute Dienst ein Abo statt eines Kaufs. Du zahlst monatlich, solange du liest, oder du lässt das Modell auf Hardware laufen, die du schon besitzt, und zahlst nichts pro Stunde.

Das ist kein Argument, dass Abos falsch wären. Es ist ein Argument, dass ausgerechnet Lesen keinen Zähler haben sollte.

2. Deine Bücher sind keine anonymen Daten

Um deinen Text zu sprechen, muss ein Clouddienst deinen Text erhalten. Bei einem Artikel ist das banal. Bei einer Bibliothek ist es ein Verzeichnis von allem, was du liest, in welcher Reihenfolge, zu welcher Tageszeit und wie weit du kamst. Lesegeschichte ist ungewöhnlich aufschlussreich: Gesundheit, Glaube, Politik, Trauer, was auch immer du letzten Monat still recherchiert hast.

Und es geht nicht nur um Bücher. Menschen jagen Verträge, Arztbriefe und unveröffentlichte Manuskripte durch Vorlesewerkzeuge. Erzählung auf dem Gerät heißt, dass diese Inhalte das Telefon nie verlassen, und das ist eine Garantie, die keine Datenschutzerklärung erreicht.

3. Es funktioniert dort, wo du wirklich liest

U-Bahnen, Flugzeuge, Landstraßen, Hotel-WLAN, das sich alle neunzig Minuten neu anmelden will. Eine Stimme, die auf deinem Gerät wohnt, startet in derselben Sekunde, ob mit fünf Balken oder ohne. Eine Cloud-Stimme puffert, stottert am Rand der Abdeckung und hört in zehn Kilometern Höhe ganz auf.

Es gibt eine feinere Variante davon: Eine Engine auf dem Gerät kann die nächsten Absätze vorab erzeugen, sodass ein Kapitelwechsel nichts kostet. Niemand bemerkt es, wenn das klappt. Alle bemerken es, wenn nicht.

4. Akku und Datenvolumen, mit Nuance

Die ehrliche Fassung: Sprache lokal zu erzeugen nutzt den Prozessor, sie zu streamen nutzt den Funk. Beides ist nicht umsonst. In der Praxis kostet dauerhafte Netznutzung meist mehr Akku als ein kleines, effizientes Modell, und Erzählung auf dem Gerät verbraucht überhaupt kein mobiles Datenvolumen, was bei langem Hören die größere Zahl ist.

Das Modellgewicht zählt hier. Eine leichte Engine wie Piper fällt kaum auf; eine schwerere wie Kokoro fordert den Chip mehr und macht sich auf älteren Telefonen in der Laufzeit bemerkbar. Die Wahl dazwischen ist eine echte Entscheidung, die wir in Piper vs Kokoro behandeln.

5. Es funktioniert weiter

Clouddienste ändern sich. Preise steigen, Gratis-Stufen schließen, APIs werden abgekündigt, Firmen übernommen. Ein Stimmmodell im Speicher deiner App kennt keinen dieser Ausfallmodi: Es liest dir in fünf Jahren genau so vor wie heute, gleich ob den Dienst, der es inspirierte, noch jemand pflegt.

Für eine Lese-App, die Menschen jahrelang behalten, ist diese Stabilität so viel wert wie der Klang.

Was sich technisch geändert hat

Nichts davon war bis vor Kurzem möglich, und es lohnt zu präzisieren, warum. Neuronale Sprachmodelle brauchten ein Rechenzentrum. Zwei Dinge haben das behoben: Architekturen, die mit weit weniger Parametern gute Sprache erzeugen, und Telefon-Chips, die darin wirklich schnell geworden sind.

Piper stammt aus der Open-Source-Welt der Sprachassistenten, mit kleinen Modellen pro Stimme und Fokus auf Tempo und Sprachabdeckung. Kokoro ging den anderen Weg und steckte mehr Kapazität in die Menschlichkeit des Ergebnisses, blieb aber klein genug fürs Telefon. Zusammen decken sie das meiste ab, was ein Lesender braucht, und beide sind offen, weshalb eine unabhängige App sie überhaupt mitliefern kann.

Die ehrlichen Gegenargumente

• Die besten Cloud-Stimmen sind weiterhin besser. Bei Ausdruck, Figurenstimmen und emotionaler Bandbreite gewinnt ein großes gehostetes Modell. Auf dem Gerät ist der Abstand weitgehend geschlossen, nicht ganz.
• Die Sprachabdeckung ist ungleich. Manche Sprachen haben ausgezeichnete Stimmen auf dem Gerät, manche gar keine. Clouddienste decken mit mehr Ressourcen mehr ab.
• Modelle brauchen Platz. Jede geladene Stimme belegt Speicher, was auf einem 64-GB-Telefon reale Kosten sind.

Wo das hinführt: Für einen einzelnen Artikel nimm, was am besten klingt. Für deine Bibliothek sollte die Stimme dort wohnen, wo die Bücher wohnen.

Wie das in der Praxis aussieht

Lectern liefert beide Engines mit, erkennt die Sprache des geöffneten Buchs, schlägt eine passende Stimme vor, lädt sie einmal und braucht danach nie wieder das Netz. Der gesprochene Satz wird hervorgehoben, damit du mitlesen kannst, der Bildschirm bleibt beim Erzählen an, und nirgends in der Kette steht ein Konto.

Der Punkt ist nicht, dass offline ein Feature wäre. Der Punkt ist, dass ein Buch, das dir gehört, vorgelesen von einer Stimme auf deinem eigenen Gerät, ohne dass jemand mitschreibt, genau das ist, was Lesen war, bevor es zur Dienstleistung wurde.

Häufig gefragt