Schweizerdeutsch lokal transkribieren: was die KI noch nicht kann

Ich wollte meine Voice-Memos lokal transkribieren lassen — auf dem Mac, kein US-Server, Daten bleiben auf dem Gerät. Ich habe recherchiert, den Favoriten gefunden: Whisper Notes mit Whisper Large V3 Turbo. Modell heruntergeladen, Aufnahme gestartet, auf Schweizerdeutsch gesprochen, wie ich immer spreche, wenn ich für mich selbst notiere. Dann kam die Transkription.

Lesbar. Ungefähr. Jedes sechste bis siebte Wort stimmte nicht.

Das Problem liegt tiefer als schlechte Optimierung

Schweizerdeutsch ist kein Dialekt, der sich als leichte Variante von Hochdeutsch beschreiben lässt. Es gibt keine standardisierte Schriftsprache. Ein ASR-Modell muss deshalb nicht nur Laute erkennen, sondern gleichzeitig ins Hochdeutsche übersetzen — zwei Aufgaben in einer. Bayrisch oder Österreichisches Deutsch sind da deutlich einfacher: dieselbe Aufgabe, aber mit einer Standardform als Ziel, die die meisten Modelle schon kennen.

Das erklärt die Zahlen: 80–87 % Genauigkeit für Schweizer Dialekte, gegenüber 91–93 % bei österreichischem Deutsch. Die Differenz klingt klein, ist sie aber nicht. Jedes sechste oder siebte Wort stimmt nicht — für ein Meeting-Protokoll ist das grenzwertig, für ein Interview mit Betroffenen zu wenig, für juristisch relevante Inhalte ein Problem.

Was es gibt — und was das bedeutet

Auf HuggingFace existieren fine-tuned Whisper-Varianten für Schweizerdeutsch. Eine davon wurde im März 2026 mit 301 Stunden kuratierten Schweizer Trainingsdaten nachtrainiert — primär Parlamentssprache und semi-formale Aufnahmen. Der beste Checkpoint liegt bei WER 37,96 %, das Basismodell bei 45,71 %. Eine messbare Verbesserung. Ob solche Modelle lokal auf dem Mac überzeugend laufen, ist aber eine andere Frage — der Weg vom HuggingFace-Checkpoint zum funktionierenden lokalen Tool ist nicht dokumentiert und hat seine eigene Hürde.

Töggl von recapp IT AG (Visp) ist ein weiterer Ansatz: Schweizer Anbieter, trainiert mit SRF-Daten, mit Sprechertrennung. Gute Dialekterkennung, laut Hersteller. Aber kein lokales Modell — die Audiodaten gehen in eine Schweizer Cloud. Das ist besser als eine US-Cloud, aber nicht dasselbe wie gar keine Cloud.

Warum das für uns zählt

Wir reden intern Schweizerdeutsch. Das ist nicht verhandelbar. Meetings, Brainstormings, Interviews mit Betroffenen — alles auf Dialekt. Für Campaigner und NGO-Teams, die Protokolle brauchen, Interviews auswerten oder Videos untertiteln wollen, ist das eine echte Einschränkung.

Dazu kommt der Datenschutz. Wer sensitive Interviews oder interne Strategiegespräche transkribiert, hat gute Gründe, die Audiodaten nicht auf einen Drittserver zu schicken — egal ob der in den USA oder in der Schweiz steht. Ein lokales Modell, das gut genug ist, wäre für diesen Use Case fast ideal.

Dieses Modell gibt es für Schweizerdeutsch noch nicht. Oder ich habe es noch nicht gefunden.

Was du tun kannst

Im Moment gibt es zwei pragmatische Wege: Entweder auf Hochdeutsch sprechen, wenn Transkription wichtig ist — unbefriedigend, aber es funktioniert. Oder einen Schweizer Cloud-Dienst wie Töggl nutzen und die Datenschutzfrage bewusst abwägen.

Wer technisch versiert ist, kann mit den HuggingFace-Modellen experimentieren. Die Modelle sind öffentlich, das Nachtraining-Setup ist dokumentiert.

Was ich suche: ein lokales Modell auf dem Mac oder iPhone, das mit Züridütsch, Bärndütsch oder anderen üblichen Dialekten in der Praxis gut genug läuft. Falls du das hingekriegt hast — schreib mir.

Dieser Beitrag wurde unter teilweiser Verwendung von KI-Tools (unter anderem auch Faktenprüfung) wie Gemini, Perplexity und Manus erstellt. Alle Inhalte wurden von mir sorgfältig geprüft, überarbeitet und verantwortet.