Transkription auf dem Gerät bedeutet: Die Umwandlung von Sprache in Text läuft vollständig auf deinem Telefon, ganz ohne Audio-Upload. mind² ECHO transkribiert Meetings lokal mit dem Whisper-Sprachmodell und unterscheidet die Sprecher direkt auf dem Gerät, sodass die Aufnahme eines vertraulichen Gesprächs niemals in irgendeine Cloud wandern muss.
Die meisten Meeting-Tools laden dein Audio zur Transkription auf ihre Server. Transkription auf dem Gerät macht das Gegenteil: Das Modell, das Sprache in Text umwandelt, steckt in der App und läuft auf dem Prozessor deines Telefons. Der Audio-Stream wird lokal gelesen, transkribiert und verworfen. Nichts an der Aufnahme, weder das Audio noch das rohe Transkript, muss das Gerät verlassen, damit die Worte erscheinen.
Die Transkription nutzt die Apache-lizenzierten ACFT-Whisper-Modelle von FUTO, deren Mission es ist, Technologie der Kontrolle weniger zu entziehen. Die Sprecher werden anschließend vom Open-Source-Stack sherpa-onnx getrennt, einem pyannote-Segmentierungsmodell mit wespeaker-Sprecher-Embeddings. Alles läuft offline auf dem Telefon, in Echtzeit, sodass du zusiehst, wie das Transkript entsteht, während gesprochen wird.
Ein Meeting gehört zum Sensibelsten, was man aufnehmen kann: Gehälter, Strategie, Gesundheit, persönliche Konflikte. Wenn die Transkription auf dem Gerät bleibt, ist dieses sensible Audio nie einem fremden Server, einem Subunternehmer oder einem Datenleck ausgesetzt, von dem du nie erfahren würdest. Wenn du den Raum um Zustimmung zur Aufnahme bittest, kannst du ehrlich sagen, dass das Audio auf deinem Telefon bleibt. Nur der Transkripttext, nie das Audio, wird später zur KI-Analyse gesendet, und das ausschließlich mit deiner ausdrücklichen Einwilligung; der Server speichert ihn nicht.
Weil mind² ECHO über das Mikrofon deines Geräts aufnimmt, funktioniert es am Konferenztisch genauso gut wie im Videocall. Es gibt keinen Meeting-Bot, den man in den Call einladen müsste, und nichts, was die anderen Teilnehmer installieren müssten. Ein Tipp startet die Aufnahme; Transkript und Auswertung pro Sprecher folgen.
