NCA Social Media
Erstellt:
Aktualisiert:
Autor:
Roland Golla
Grüne Schallwelle läuft in eine Box mit gelbem VOSK Schild und wird zu Text

Was ist Vosk?

Vosk ist ein Open Source Toolkit für Spracherkennung, das komplett offline arbeitet. Gesprochene Sprache wird direkt auf dem Gerät oder dem eigenen Server in Text umgewandelt, ohne dass ein einziges Audiopaket eine fremde Cloud erreicht.
Entwickelt wird Vosk von Alpha Cephei rund um Nickolay Shmyrev. Das Projekt steht unter Apache 2.0 auf GitHub, hat dort rund 15.000 Sterne und 1.700 Forks. Technisch setzt Vosk auf dem Kaldi Stack auf und liefert eine schlanke C Bibliothek mit Bindings für viele Sprachen.
Drei Eigenschaften machen Vosk in der Praxis interessant. Die Modelle sind winzig: Ein kleines Sprachmodell liegt bei etwa 40 bis 50 MB und braucht rund 300 MB Arbeitsspeicher zur Laufzeit. Die Streaming API liefert Zwischenergebnisse, während noch gesprochen wird. Und es läuft auf CPU, vom Raspberry Pi über Android und iOS bis zum Servercluster.
Unterstützt werden über 20 Sprachen und Dialekte, darunter Deutsch, Englisch, Französisch, Spanisch, Italienisch, Niederländisch, Polnisch, Tschechisch, Ukrainisch und Japanisch. Neben der reinen Transkription kann Vosk Sprecher unterscheiden und das Vokabular zur Laufzeit umkonfigurieren.
Inhalt
NCA KI Workshop für Developer

Agentic Coding im Team, nicht nur im Glossar

Ein Tag inhouse mit Benjamin Klein für Developer, Tester und Admins. Context Engineering, Harness, ADRs und zwei Hands on Blöcke mit KI Agenten in eurem Setup.

  1. 1
    Kostenloses Vorgespräch
    Stand, Rollen und Ziele klären
  2. 2
    Workshoptag bei euch
    Praxis am Vormittag, Hands on danach
  3. 3
    Praxistag optional
    Agenten im eigenen Projekt
Benjamin Klein
Benjamin Klein
Senior Consultant
Zum Workshop für Developer arrow_forward

So unterstützt NCA bei lokaler Spracherkennung mit Vosk

Lokale KI gehört bei Never Code Alone zum täglichen Betrieb. Wir fahren unseren eigenen Stack mit Ollama und offenen Modellen auf Servern in Deutschland und wissen aus der Praxis, wo kleine Modelle auf eigener Hardware tragen und wo sie an ihre Grenzen stoßen. Genau diese Erfahrung entscheidet bei Spracherkennung. Ein Toolkit wie Vosk gewinnt selten über die reine Fehlerrate. Es gewinnt über Latenz, Speicherbedarf und die Frage, wer die Audiodaten zu sehen bekommt.
Rund um Sprache und Audio berührt Vosk mehrere Themen, zu denen wir Teams beraten. Wir helfen beim Aufbau DSGVO konformer KI Umgebungen ohne Cloud Abhängigkeit, ordnen Modelle und Tools im Vibe Coding Consulting ein, setzen Untertitel für Hörgeschädigte nach BFSG um und binden lokale Modelle über Oberflächen wie Open WebUI in bestehende Workflows ein. Einen Überblick über alle Bereiche gibt die Seite NCA Leistungen.

Wie Vosk mit Kaldi, Streaming und getrennten Modellen arbeitet

Vosk gehört nicht zur Familie der großen End to End Modelle. Es kombiniert ein akustisches Modell mit einem separaten Sprachmodell und einem Decoder Graph, wie es der Kaldi Stack seit Jahren macht. Das klingt altmodisch, hat aber handfeste Vorteile. Der Decoder arbeitet Wort für Wort, liefert Teilergebnisse schon während des Sprechens und läuft ohne GPU.
Der Ablauf im Betrieb ist immer gleich. Die Anwendung öffnet ein Modell, erzeugt einen Recognizer mit der passenden Abtastrate und schiebt Audio in kleinen Blöcken hinein. Nach jedem Block liefert Vosk entweder ein Zwischenergebnis oder ein fertiges Teilergebnis als JSON.
Drei Funktionen gehen über reine Transkription hinaus. Kleine Modelle erlauben es, das Vokabular zur Laufzeit einzuschränken, etwa auf eine Liste erlaubter Kommandos. Ein eigenes Sprechermodell mit nur 13 MB liefert Sprecher Embeddings zur Unterscheidung von Stimmen. Und für Satzzeichen sowie Groß und Kleinschreibung gibt es separate Recasepunc Modelle, auch für Deutsch.
Angebunden wird Vosk auf zwei Wegen. Entweder als Bibliothek direkt im Prozess, mit Bindings für Python, Java, Kotlin, Node.js, C Sharp, C++, Rust, Go und Ruby plus fertigen Paketen für Android, iOS und Unity. Oder als Vosk Server über Websockets, der als Docker Container läuft und die Erkennungslast vom Anwendungsprozess trennt.

Vosk installieren und die erste Datei transkribieren

Der Einstieg dauert wenige Minuten. Das Python Paket kommt über pip, das Modell wird als ZIP geladen und entpackt. In aktuellen Linux Distributionen liegt vosk-api in Version 0.3.50 auch fertig paketiert vor.
Code: 
          
pip3 install vosk

wget https://alphacephei.com/vosk/models/vosk-model-small-de-0.15.zip
unzip vosk-model-small-de-0.15.zip
Danach reicht ein kurzes Skript. Vosk erwartet Mono Audio in der Abtastrate, mit der das Modell trainiert wurde, üblicherweise 16 kHz. Die Ergebnisse kommen als JSON zurück.
Code: 
          
import json
import wave
from vosk import Model, KaldiRecognizer

model = Model("vosk-model-small-de-0.15")
audio = wave.open("interview.wav", "rb")
recognizer = KaldiRecognizer(model, audio.getframerate())

while True:
    data = audio.readframes(4000)
    if len(data) == 0:
        break
    if recognizer.AcceptWaveform(data):
        print(json.loads(recognizer.Result())["text"])

print(json.loads(recognizer.FinalResult())["text"])
Für Dienste, die mehrere Clients bedienen, lohnt der Server. Der Container bringt Modell und Websocket Schnittstelle mit, die Anwendung schickt nur noch Audio und bekommt Text zurück.
Code: 
          
docker run --rm -d -p 2700:2700 alphacep/kaldi-en:latest
Typische Stolpersteine sind schnell benannt. Falsche Abtastrate liefert Kauderwelsch, MP3 muss vorher nach WAV konvertiert werden, und wer Satzzeichen erwartet, braucht zusätzlich ein Recasepunc Modell. Ohne das kommt reiner Kleinbuchstaben Text ohne Punkt und Komma.

Vosk Modelle für Deutsch von klein bis groß

Für Deutsch gibt es mehrere Modelle mit sehr unterschiedlichem Zuschnitt. Das kleine Modell ist für Smartphones, Raspberry Pi und Desktop Anwendungen gedacht und kommt mit 45 MB aus. Die großen Modelle laufen auf dem Server, brauchen deutlich mehr Arbeitsspeicher und liefern dafür bessere Wortfehlerraten.
Die Zahlen in der Tabelle sind Wortfehlerraten auf dem Tuda de Testset, also der Anteil falsch erkannter Wörter. Je niedriger, desto besser. Wichtig für die Erwartungshaltung: Bei Podcast Material liegen dieselben Modelle deutlich schlechter als bei sauber aufgenommener Sprache, weil Hintergrundgeräusche, Überlappungen und Dialekt die Erkennung hart treffen.
Die deutschen Modelle stammen teilweise aus dem Tuda DE Projekt der Universität Hamburg und werden seltener aktualisiert als die russischen Modelle, an denen das Alpha Cephei Team selbst arbeitet. Wer deutsche Fachbegriffe, Produktnamen oder Eigennamen sauber erkennen will, kommt um eine Anpassung des Sprachmodells nicht herum. Vosk dokumentiert diesen Weg über LM Adaptation.

Deutsche Vosk Modelle im Überblick

Modell Größe und Fehlerrate Einsatz
vosk-model-small-de-0.15 45 MB, 13,75 Prozent WER Android, iOS, Raspberry Pi, Desktop
vosk-model-de-0.21 1,9 GB, 9,83 Prozent WER Server, Telefonie und Broadcast
vosk-model-de-tuda-0.6-900k 4,4 GB, 9,48 Prozent WER Server mit viel RAM, höchste Genauigkeit
vosk-recasepunc-de-0.21 1,1 GB, ergänzendes Modell Satzzeichen und Groß und Kleinschreibung

Vosk gegen Whisper und moderne ASR Modelle einordnen

Bei der reinen Genauigkeit liegen moderne End to End Modelle vorn. Whisper und neuere Systeme wie Qwen3 ASR aus der Qwen Familie erreichen auf Standard Testsets Wortfehlerraten im niedrigen einstelligen Bereich. Sie brauchen dafür aber Rechenleistung, arbeiten in der Grundform batchweise statt streamend und liefern Ergebnisse erst, wenn ein Abschnitt fertig verarbeitet ist.
Genau hier liegt die Stärke von Vosk. Wer eine Antwort in Millisekunden braucht, während noch gesprochen wird, wer auf einem Gerät ohne GPU arbeitet oder wer tausende Stunden Audio günstig auf vorhandener CPU Hardware durchlaufen lassen will, ist mit dem kleinen Decoder oft besser bedient als mit einem großen Modell.
Ein zweiter Punkt wird gern übersehen. Alpha Cephei misst neben der Fehlerrate auch, wie oft ein System bei reinem Rauschen Wörter erfindet. Zwischen zwei Modellgenerationen sank diese Halluzinationsrate bei den russischen Modellen im Mai 2026 von 99 auf rund 30 Prozent, während die Wortfehlerrate fast gleich blieb. Für Voicebots und Diktiersysteme ist das der wichtigere Wert. Ein Erkenner, der bei Stille schweigt, ist mehr wert als einer, der ein Prozent besser transkribiert.
Auch seltene Wörter sind ein bekanntes Problem der großen Modelle. Namen, Straßennamen, Produkt und Medikamentenbezeichnungen liegen in den Trainingsdaten weit hinten, entsprechend häufig werden sie falsch erkannt, obwohl die Gesamtfehlerrate glänzend aussieht. Vosk erlaubt hier den direkten Eingriff über ein eigenes Sprachmodell oder eine eingeschränkte Wortliste.
Für die Gegenrichtung, also Text zu Sprache, gibt es eigene Projekte. Ein Überblick steht bei OmniVoice und Zero Shot TTS. Wer Sprache direkt im Coding Workflow nutzen will, findet mit VoiceMode eine fertige Integration. Modelle und Gewichte für beide Richtungen liegen meist auf Hugging Face.

Wo Vosk in der Praxis die richtige Wahl ist

Untertitel und Transkripte. Videos brauchen nach BFSG und WCAG Untertitel, Vorträge und Interviews brauchen Transkripte. Vosk erzeugt die Rohfassung lokal, die Redaktion korrigiert nach. Fachlich gehören dazu Closed Captions, offene Beschriftungen und als Ergänzung die Audiodeskription. Den rechtlichen Rahmen beschreibt das Barrierefreiheitsstärkungsgesetz, die Entwicklersicht das Kapitel A11Y.
Sprachsteuerung auf kleinen Geräten. Kiosksysteme, Maschinensteuerung, Smart Home: überall dort, wo ein festes Kommandovokabular reicht, spielt die dynamische Vokabularbegrenzung ihre Stärke aus. Das Gerät erkennt zuverlässig die zwanzig erlaubten Befehle statt irgendein Wort aus 200.000.
Sensible Audiodaten. Personalgespräche, Beratungsprotokolle, Aufnahmen aus dem Gesundheitswesen oder aus Behörden dürfen oft überhaupt nicht in eine fremde Cloud. Hier ist eine lokale Pipeline schlicht Voraussetzung. Die Rahmenbedingungen beschreibt der Beitrag zu lokaler KI für Compliance.
Masse statt Spitzenqualität. Wer ein Archiv mit tausenden Stunden Audio durchsuchbar machen will, kommt mit einer guten Volltextsuche zu vertretbaren Kosten weit. Eine perfekte Transkription ist dafür selten nötig. Warum sich lokale Verarbeitung gerade in solchen Szenarien rechnet, zeigt der Beitrag zu lokaler KI als ROI Treiber.
Offline Umgebungen. Baustelle, Schiff, Außendienst, Schulungsraum ohne Netz: Vosk läuft ohne Verbindung weiter. In dieselbe Richtung gehen Project NOMAD als Offline Knowledge Server und LLM lokal auf dem Smartphone. Für Videoschnitt mit lokaler KI passt Hyperframes dazu.

Stärken und Grenzen von Vosk in der NCA Einordnung

Stark bei Latenz und Footprint. Streaming Ergebnisse ohne GPU, Modelle unter 50 MB, Betrieb auf Hardware, die ohnehin vorhanden ist. Das schlägt in vielen Projekten jede zweite Nachkommastelle bei der Fehlerrate.
Stark bei Kontrolle. Apache 2.0, keine API Schlüssel, keine Nutzungsgrenzen, kein Anbieter, der morgen die Preise ändert. Vokabular und Sprachmodell lassen sich anpassen, statt gegen eine Blackbox zu prompten.
Schwach bei freier Sprache. Bei Podcasts, Telefonaten mit Nebengeräuschen oder starkem Dialekt liegen die Fehlerraten deutlich über dem, was aktuelle End to End Modelle liefern. Wer eine sendefähige Transkription ohne Nacharbeit erwartet, wird enttäuscht.
Schwach bei deutscher Modellpflege. Die deutschen Modelle sind älter als die russischen, an denen das Kernteam arbeitet. Ohne eigene Anpassung bleiben Fachbegriffe und Eigennamen eine Fehlerquelle.
Unser Fazit. Vosk spielt in einer anderen Klasse als ein großes ASR Modell. Wir würden es dort einsetzen, wo Audio die eigene Infrastruktur nicht verlassen darf, wo sofort ein Zwischenergebnis gebraucht wird oder wo auf schwacher Hardware überhaupt etwas laufen muss. Für die perfekte Abschrift eines Interviews greifen wir zu einem stärkeren Modell und akzeptieren dafür den höheren Aufwand beim Betrieb.

Despite not being top accuracy we still see our models improve user experience significantly.

Nickolay Shmyrev, Gründer Alpha Cephei und Maintainer von Vosk – Alpha Cephei Blog

Was wir bei NCA aus Vosk mitnehmen

Vosk erinnert daran, dass nicht jedes KI Problem ein großes Modell braucht. Ein spezialisierter Decoder auf CPU löst manche Aufgabe besser als ein Milliardenparameter Modell, das erst einen Server mit teurer Grafikkarte verlangt. Dieselbe Logik gilt an vielen Stellen im Stack: llama.cpp und LM Studio zeigen, wie viel lokal machbar ist, offene Embedding Modelle ersetzen teure API Aufrufe, und Open Notebook hält Recherche auf eigener Infrastruktur.
Für den Betrieb solcher Dienste zählt die Infrastruktur drumherum. Caddy liefert TLS ohne Handarbeit, Coolify nimmt den Deploy Aufwand für kleine Dienste ab, und openDesk zeigt, wie weit souveräne Alternativen inzwischen tragen. Wer solche Bausteine zu einem Setup zusammenführen will, findet die Einordnung im Vibe Coding Consulting und im gesamten NCA Glossar für Open Source Projekte.
CYPRESS.IO Ambassador und IT Consultant für QA Engenieering und Qualität in PHP Projekten.
NCA Vibe Coding Consulting

Roland Golla ist Entwickler aus Leidenschaft – seit über 20 Jahren. Er hat hunderte Projekte begleitet, von Legacy-Refactoring bis KI-Integration. Bei Vibe Coding verbindet er das Beste aus beiden Welten: Die Geschwindigkeit von KI-generiertem Code mit der Qualität professioneller Softwareentwicklung. Kein Bullshit, keine Agentur-Floskeln – direkte Hilfe von jemandem, der selbst täglich im Code steckt.

E-Mail Kontakt

Häufige Fragen zu Vosk

Die wichtigsten Fragen zu Vosk, zur Installation, zu den deutschen Modellen und zur Einordnung gegen Whisper und andere ASR Systeme.
Was ist Vosk 2026?

Vosk ist ein Open Source Toolkit für Spracherkennung, das vollständig offline arbeitet. Es wandelt gesprochene Sprache auf dem eigenen Gerät oder Server in Text um, unterstützt über 20 Sprachen und läuft vom Raspberry Pi bis zum Servercluster. Entwickelt wird es von Alpha Cephei, der Code steht unter Apache 2.0 auf GitHub.

Ist Vosk 2026 kostenlos nutzbar?

Ja. Vosk steht unter der Apache 2.0 Lizenz und ist damit auch kommerziell frei nutzbar, ohne Lizenzgebühren und ohne API Schlüssel. Bei den Modellen lohnt ein Blick auf die Lizenzspalte. Die meisten stehen ebenfalls unter Apache 2.0, einzelne Modelle aus Fremdprojekten tragen abweichende Lizenzen wie AGPL oder CC BY NC SA.

Welche deutschen Vosk Modelle gibt es 2026?

Für Deutsch stehen ein kleines Modell mit 45 MB, ein großes Servermodell mit 1,9 GB und ein sehr großes Tuda DE Modell mit 4,4 GB bereit. Ergänzend gibt es ein Recasepunc Modell für Satzzeichen und Groß und Kleinschreibung. Die Wortfehlerraten liegen auf dem Tuda de Testset zwischen rund 9,5 und 13,8 Prozent.

Was passt 2026 besser, Vosk oder Whisper?

Whisper und andere End to End Modelle sind bei freier Sprache genauer, brauchen aber mehr Rechenleistung und liefern Ergebnisse abschnittsweise. Vosk punktet mit Streaming in Echtzeit, winzigen Modellen und Betrieb ohne GPU. Für Diktat, Voicebots und Geräte ohne Grafikkarte ist Vosk oft die bessere Wahl, für die saubere Abschrift eines Interviews eher nicht.

Läuft Vosk 2026 auf einem Raspberry Pi?

Ja, das ist einer der Hauptanwendungsfälle. Die kleinen Modelle brauchen etwa 300 MB Arbeitsspeicher zur Laufzeit und kommen ohne GPU aus. Neben dem Raspberry Pi laufen sie auch auf Android und iOS. Für die großen Servermodelle gilt das nicht. Die brauchen bis zu 16 GB Arbeitsspeicher und gehören auf einen richtigen Server.

Welche Programmiersprachen unterstützt Vosk?

Vosk ist eine C Bibliothek mit Bindings für Python, Java, Kotlin, Node.js, C Sharp, C++, Rust, Go und Ruby. Dazu kommen fertige Pakete für Android, iOS und Unity sowie eine Variante für den Browser. Wer keine Bibliothek einbinden will, nutzt den Vosk Server, der über Websockets angesprochen wird und als Docker Container läuft.

Braucht Vosk eine Internetverbindung?

Nein. Nach dem Download von Bibliothek und Modell arbeitet Vosk vollständig offline. Es werden keine Audiodaten und keine Transkripte an externe Server geschickt. Das macht den Einsatz in Umgebungen ohne Netz möglich und ist zugleich der Grund, warum sich Vosk für sensible Aufnahmen aus Personalwesen, Beratung oder Verwaltung eignet.

Wie genau ist Vosk bei deutscher Sprache?

Auf sauber aufgenommener Sprache liegt die Wortfehlerrate des großen deutschen Modells bei rund zehn Prozent, das kleine Modell bei knapp 14 Prozent. Bei Podcast Material mit Nebengeräuschen, Überlappungen oder Dialekt steigen die Werte deutlich. Für Untertitel bedeutet das, dass die Rohfassung automatisch entsteht und die Korrektur redaktionelle Arbeit bleibt.

Kann Vosk Satzzeichen und Großschreibung setzen?

Nicht von Haus aus. Die Erkennung liefert reinen Kleinbuchstaben Text ohne Punkt und Komma. Für Satzzeichen und Groß und Kleinschreibung gibt es separate Recasepunc Modelle, auch für Deutsch. Sie laufen nach der eigentlichen Erkennung über den Text und brauchen mit rund einem Gigabyte deutlich mehr Ressourcen als das kleine Sprachmodell.

Erkennt Vosk verschiedene Sprecher?

Vosk liefert ein eigenes Sprechermodell mit nur 13 MB, das Sprecher Embeddings erzeugt. Damit lassen sich Stimmen unterscheiden und wiedererkennen. Eine vollautomatische Diarisierung mit sauberer Zuordnung über lange Aufnahmen hinweg ist das nicht, aber für überschaubare Szenarien wie ein Interview mit zwei Personen reicht der Ansatz meist aus.

Wie bringe ich Vosk eigene Fachbegriffe bei?

Es gibt zwei Wege. Kleine Modelle erlauben es, das Vokabular zur Laufzeit auf eine feste Wortliste zu begrenzen, ideal für Kommandos und Formularfelder. Für größere Anpassungen dokumentiert Vosk die Adaption des Sprachmodells, bei der eigene Begriffe wie Produktnamen oder Fachvokabular in den Decoder Graph aufgenommen werden.

Ist Vosk DSGVO konform einsetzbar?

Vosk selbst ist Software und damit weder konform noch nicht konform. Entscheidend ist das Setup. Weil die Verarbeitung lokal stattfindet und keine Daten an Dritte fließen, entfällt die Auftragsverarbeitung mit einem Cloud Anbieter und die Übermittlung in Drittländer. Verzeichnis der Verarbeitungstätigkeiten, Löschkonzept und Zugriffsrechte bleiben trotzdem Pflicht.