Diktiergerät Voice-First: Push-to-Talk und PendingCreation

Wichtige Erkenntnisse: Das TAMSIV Diktiergerät basiert auf drei Designentscheidungen: Push-to-Talk (kein kontinuierliches Zuhören) für Akku und Privatsphäre, das PendingCreation-Muster (Vorschau vor dem Speichern), um den Benutzer in Kontrolle zu halten, und zwei STT-Modi (nativer kostenloser vs. Cloud Deepgram), um sich an den Preisplan anzupassen. Sprache ist keine Funktion – sie ist das Produkt.

Das Versprechen von TAMSIV lässt sich in einem Satz zusammenfassen: Eine Aufgabe durch Sprechen erstellen, schneller als durch Tippen. Kein Sprach-Gadget, das an eine klassische To-Do-App angeflanscht ist. Sprache ist die Hauptschnittstelle – die Tastatur ist der Fallback. Die gesamte UX des Diktiergeräts leitet sich von diesem Versprechen ab.

Hier sind die Designentscheidungen, technischen Kompromisse und Muster, die das TAMSIV Diktiergerät im Alltag funktionieren lassen.

Warum Push-to-Talk statt kontinuierliches Zuhören wählen?

Dies ist die erste und wichtigste Designentscheidung. Ich hatte zwei Optionen: kontinuierliches Zuhören (wie Alexa oder Google Home) oder Push-to-Talk (drücken zum Sprechen).

Ich habe mich aus drei Gründen für Push-to-Talk entschieden:

• Der Akku: Kontinuierliches Zuhören hält das Mikrofon ständig aktiv. Auf einem Smartphone ist das ein Energiefresser. Kontinuierliches STT (Speech-to-Text) verbraucht laut Android-Benchmarks 10 bis 15 % des Akkus pro Stunde. Inakzeptabel für eine Produktivitäts-App, die im Hintergrund geöffnet bleiben muss.
• Die Privatsphäre: Ein ständig offenes Mikrofon macht Angst. Benutzer vertrauen dem nicht – und das zu Recht. Push-to-Talk ist explizit. Du drückst, du sprichst, du lässt los. Keine Unklarheit darüber, was aufgenommen wird.
• Umgebungsgeräusche: In einem Café, auf der Straße, in öffentlichen Verkehrsmitteln – kontinuierliches Zuhören nimmt alles auf. Die Voice Activity Detection (VAD) ist nicht perfekt. Push-to-Talk eliminiert das Problem: Die App hört nur zu, wenn der Benutzer es entscheidet.

Die VAD von Deepgram verwaltet das Satzende im Cloud-Modus automatisch. Im nativen Modus erkennt das STT des Geräts die Stille. In beiden Fällen muss der Benutzer das Loslassen nicht timen – das System weiß, wann der Satz beendet ist.

Wie funktioniert das PendingCreation-Muster?

Dies ist das wichtigste Muster von TAMSIV. Und wahrscheinlich das am wenigsten intuitive für jemanden, der noch nie an einer Sprach-App gearbeitet hat.

Das Problem: Die Spracherkennung ist nicht perfekt. Die KI kann falsch interpretieren. "Brot kaufen" könnte zu "A cheter du pin" werden. Wenn direkt in der Datenbank gespeichert wird, erhält der Benutzer korrumpierte Daten, ohne es zu merken.

Die Lösung: die PendingCreation.

1. Der Benutzer diktiert: "Füge eine Aufgabe für morgen hinzu: Zahnarzt anrufen, hohe Priorität"
2. Das STT transkribiert den Ton in Text
3. Der Text wird über WebSocket an das LLM gesendet
4. Das LLM analysiert und ruft die Funktion create_task mit den extrahierten Parametern (Titel, Datum, Priorität) auf
5. Das Backend sendet ein function_result mit einer Vorschau zurück
6. Der Benutzer sieht den Vorschlag auf dem Bildschirm: Titel, Datum, Priorität
7. Er kann ändern, bestätigen oder abbrechen
8. Erst nach der Bestätigung wird die Aufgabe in der Datenbank (Supabase) gespeichert

Das Prinzip: Die Stimme beschleunigt die Eingabe, aber der Mensch entscheidet. Nichts wird ohne explizite Bestätigung gespeichert. Das scheint einen zusätzlichen Schritt hinzuzufügen, aber in der Praxis dauert die Bestätigung eine halbe Sekunde (ein Tippen) und vermittelt ein Gefühl der Kontrolle, das die Benutzer sehr schätzen.

Dieses Muster ist besonders wichtig für Kalenderereignisse, bei denen ein Datumsfehler reale Konsequenzen haben kann (einen Termin verpassen).

Was ist der Unterschied zwischen nativem STT und Cloud STT?

TAMSIV bietet zwei Spracherkennungsmodi, die vom Administrator konfiguriert werden können:

Nativer Modus (Standard)

• Kostenlos: Verwendet die im Gerät integrierte STT-Engine (Google Speech-to-Text auf Android, Apple Speech auf iOS)
• Lokal: Es werden keine Audiodaten an einen externen Server gesendet (mit den Offline-Modellen)
• Variable Qualität: Abhängig vom Gerät, der Sprache und dem heruntergeladenen Modell
• Verwendet für: den Free-Plan

Cloud-Modus (Deepgram)

• Kostenpflichtig: Abrechnung nach Anzahl der verarbeiteten Audiosekunden
• Konsistent: Gleichbleibende Qualität unabhängig vom Gerät
• Präzise: Bessere Handhabung von Akzenten, Umgebungsgeräuschen und Fachvokabular
• Verwendet für: die Pro- und Team-Pläne

Die Wahl zwischen nativ und Cloud ist eine Entscheidung der Produktsegmentierung, nicht nur eine technische Entscheidung. Der Free-Plan bietet ein funktionales Spracherlebnis. Der Pro-Plan bietet ein zuverlässiges Spracherlebnis. Dies ist ein klares Verkaufsargument für das Upgrade, das in den RevenueCat-Abonnementplänen detailliert beschrieben wird.

Hinter den Kulissen ist der Wechsel zwischen den beiden Modi transparent. Der Vergleich von nativem STT vs. Deepgram beschreibt die technischen Unterschiede detailliert.

Warum ist das Diktiergerät der erste Tab der App?

In der Navigation von TAMSIV ist das Diktiergerät der erste Tab. Nicht die Aufgaben. Nicht die Memos. Nicht der Kalender. Das Mikrofon.

Das ist eine bewusste Entscheidung. In den meisten Produktivitäts-Apps ist die Sprache eine sekundäre Funktion – ein kleiner Mikrofon-Button, der in einer Ecke versteckt ist. In TAMSIV ist es umgekehrt: Die Stimme ist DAS Produkt. Der Touchscreen ist die Ergänzung.

Die Reihenfolge der Tabs (vom Benutzer anpassbar, in der Datenbank gespeichert) folgt standardmäßig dieser Hierarchie:

1. Diktiergerät – die Hauptaktion (Erstellen per Sprache)
2. Feed – die letzten Aktivitäten anzeigen
3. Kalender – die Zeit organisieren
4. Gruppen – zusammenarbeiten
5. Soziales – entdecken
6. Profil – Einstellungen

Wenn du TAMSIV öffnest, landest du beim Mikrofon. Eine einzige Geste, um mit dem Diktieren zu beginnen. Das ist die "Voice-First"-Philosophie auf ihrem Höhepunkt.

Wie verbessert haptisches Feedback das Spracherlebnis?

Haptisches Feedback ist ein subtiles, aber entscheidendes Detail. Bei jeder Statusänderung des Diktiergeräts vibriert das Telefon leicht:

• Aufnahmebeginn: kurze Vibration (50ms) – "Ich höre dir zu"
• Aufnahmeende: doppelte Vibration – "Ich habe verstanden, ich verarbeite"
• Vorschau erhalten: lange Vibration (100ms) – "Hier ist mein Vorschlag"
• Bestätigung erfolgreich: Bestätigungsvibration – "Es ist gespeichert"

Der Benutzer spürt physisch, wann die App zuhört, wann sie verarbeitet und wann sie fertig ist. Das ist besonders wichtig, wenn man diktiert, ohne auf den Bildschirm zu schauen – beim Autofahren, Kochen, Gehen.

Dieses Prinzip des multimodalen Feedbacks (visuell + haptisch + optional akustisch) ist eine klassische Empfehlung der Nielsen Norman Group für Echtzeit-Schnittstellen.

Wie interpretiert die KI das Diktat?

Der vom STT transkribierte Text wird mit einem spezifischen System-Prompt an das LLM (über OpenRouter) gesendet. Die KI hat Zugriff auf 7 Funktionswerkzeuge:

• create_task – eine Aufgabe mit Titel, Datum, Priorität, Wiederholung erstellen
• update_task – eine bestehende Aufgabe ändern
• create_memo – ein strukturiertes Sprachmemo erstellen
• update_memo – ein Memo ändern
• create_calendar_event – ein Kalenderereignis erstellen
• ask_clarification – eine Klärung anfordern, wenn die Anfrage mehrdeutig ist
• end_conversation – die Konversation sauber beenden

Die KI transkribiert nicht nur – sie versteht die Absicht. "Erinnere mich daran, morgen früh Brot zu kaufen" wird zu einem create_task mit einer Erinnerung, die für den nächsten Tag um 9 Uhr konfiguriert ist. "Notiz für später: Feature-Idee für den Feed" wird zu einem create_memo mit dem Tag "Idee".

Der Konversationsverlauf ermöglicht es, fortzufahren: "Füge eine Aufgabe hinzu" → "Eigentlich, setze sie auf Freitag" → "Und füge ein Memo dazu hinzu". Die KI versteht den Kontext.

Was sind die Grenzen von Voice-First?

Ehrlich über die Grenzen zu sein, ist unerlässlich. Voice-First ist nicht für alles geeignet:

• Laute Umgebungen: Selbst mit einem guten STT ist das Diktieren in einer Bar mühsam. Die Tastatur bleibt als Fallback verfügbar.
• Komplexe Inhalte: Ein Memo mit 3 Absätzen, Aufzählungszeichen und Formatierung zu diktieren, ist mühsam. Der Rich-Text-Editor übernimmt.
• Privatsphäre in der Öffentlichkeit: "Onkologen-Termin Mittwoch" in der U-Bahn zu diktieren, möchte niemand.
• Datumsgenauigkeit: "Nächste Woche" ist mehrdeutig. Das PendingCreation-Muster ermöglicht Korrekturen, aber die Tastatur ist für komplexe Daten präziser.

TAMSIV zwingt niemanden, die Stimme zu verwenden. Jeder Bildschirm hat ein klassisches Formular als Alternative. Die Stimme ist in 80 % der Fälle schneller – die restlichen 20 % haben die Tastatur.

Wie optimiert man die Latenz der Sprachpipeline?

Die wahrgenommene Latenz ist der wichtigste Faktor für das Spracherlebnis. Wenn der Benutzer spricht und 5 Sekunden wartet, bevor er die Vorschau sieht, kehrt er zur Tastatur zurück. Die vollständige Pipeline:

Audio → STT → Text → WebSocket → LLM → Funktionsaufruf → Antwort → TTS → Audio

Jeder Schritt hat seine eigene Latenz:

• Natives STT: ~200-500ms (lokal, schnell)
• STT Deepgram: ~300-800ms (Netzwerk, präziser)
• LLM über OpenRouter: ~1-3 Sekunden (der Engpass)
• TTS OpenAI: ~500ms-1s (Audio-Streaming)

Gesamt: 2 bis 5 Sekunden von dem Moment, in dem der Benutzer aufhört zu sprechen, bis er die Antwort hört. Das ist für eine konversationelle Interaktion akzeptabel (vergleichbar mit einem Menschen, der nachdenkt), erfordert aber ein kontinuierliches visuelles Feedback – der animierte Nebula-Button zeigt eine Animation an, während die KI verarbeitet.

Wie baust du ein Voice-First-Erlebnis in deine App ein?

Wenn du die Stimme als Hauptschnittstelle in deine Anwendung integrieren möchtest, sind hier die Lehren aus TAMSIV:

1. Push-to-Talk, nicht kontinuierliches Zuhören: Akku sparen, Privatsphäre respektieren, Zuverlässigkeit.
2. Vorschau vor dem Speichern: Das PendingCreation-Muster ist nicht verhandelbar. Der Benutzer muss immer korrigieren können.
3. Multimodales Feedback: visuell + haptisch + akustisch. Der Benutzer muss jederzeit wissen, was die App tut.
4. Tastatur-Fallback: Die Stimme ersetzt die Tastatur nicht – sie ergänzt sie. Biete immer eine manuelle Alternative an.
5. STT segmentieren: nativ für kostenlos, Cloud für Premium. Das ist ein natürlicher Monetarisierungshebel.

Der Verlauf von über 650 Commits von TAMSIV zeigt, dass ein solides Spracherlebnis Dutzende von Iterationen erfordert. Der erste Prototyp funktionierte – aber die aktuelle Version ist dank Benutzerfeedback und der kontinuierlichen KI-Integration 10x flüssiger.

FAQ

Funktioniert das Diktiergerät offline?

Teilweise. Das native STT funktioniert offline (wenn das Sprachmodell auf dem Gerät heruntergeladen ist). Aber das LLM und das TTS benötigen eine Internetverbindung. Im Offline-Modus kann der Benutzer Rohtext diktieren, aber die KI kann die Aufgabe nicht interpretieren oder strukturieren.

Welche Sprachen werden vom Diktiergerät unterstützt?

Das native STT unterstützt alle auf dem Gerät installierten Sprachen (normalerweise über 50). Das Deepgram STT unterstützt die wichtigsten europäischen Sprachen. Die KI versteht die 6 Sprachen von TAMSIV (FR, EN, DE, ES, IT, PT) dank der vollständigen Internationalisierung.

Wie geht das Diktiergerät mit Akzenten und Dialekten um?

Das native STT hängt vom Sprachmodell des Geräts ab – regionale Akzente werden für die Hauptsprachen im Allgemeinen gut gehandhabt. Deepgram zeichnet sich bei Akzenten aus, dank Modellen, die auf vielfältigen Korpora trainiert wurden. Die KI (LLM) versteht regionale Formulierungen problemlos.

Kann man Aufgaben beim Autofahren diktieren?

Ja, das ist ein vorgesehener Anwendungsfall. Das Push-to-Talk erfordert eine anfängliche Geste, aber das haptische Feedback und die TTS-Antwort ermöglichen das Diktieren und Bestätigen, ohne auf den Bildschirm zu schauen. Achtung: Die endgültige Bestätigung (Tippen auf "Bestätigen") erfordert einen Blick – eine zukünftige Version könnte die Sprachbestätigung hinzufügen.

Verbraucht das Diktiergerät viel Akku?

Nein. Das Push-to-Talk aktiviert das Mikrofon nur während des Diktierens (einige Sekunden). Die WebSocket-Verbindung ist leicht und persistent. Der Hauptverbrauch kommt vom LLM und TTS, die punktuelle Netzwerkaufrufe sind. Bei normaler Nutzung (5-10 Diktate pro Tag) ist der Einfluss auf den Akku vernachlässigbar.