Einrichtungsanleitung für „Kostenlos“ (auf dem Gerät)

1„Kostenlos“ als Anbieter auswählen

Öffnen Sie Sokuji und navigieren Sie zum Einstellungsbereich. Wählen Sie „Kostenlos“ als Ihren KI-Anbieter aus dem Anbieter-Dropdown.

2Ein ASR-Modell herunterladen

Wählen Sie ein ASR-Modell für Ihre Quellsprache. Sokuji bietet 42 Offline-/Streaming-Modelle, angetrieben von sherpa-onnx WASM und WebGPU (Cohere Transcribe, Voxtral Mini, Whisper), die über 99 Sprachen abdecken. Die Modellgrößen reichen von leicht (~5 MB) bis hochgenau (~2 GB+). Wir empfehlen Cohere Transcribe oder Voxtral Mini 4B Realtime für die beste Genauigkeit und Geschwindigkeit.

3Ein Übersetzungsmodell herunterladen

Wählen Sie ein Übersetzungssprachpaar. Wählen Sie TranslateGemma für beste Qualität und Geschwindigkeit, 74 Opus-MT-Sprachpaare für schnelle CPU-Übersetzung oder Qwen LLMs über WebGPU für mehrsprachige Übersetzung höherer Qualität.

4Ein TTS-Modell herunterladen

Laden Sie ein TTS-Modell für die Sprachausgabe herunter. 136 Modelle sind in 52 Sprachen verfügbar, angetrieben von den Engines Piper, Coqui, Mimic3 und Matcha. Ist im Block Sprache Übersetzung, die ich höre eingeschaltet (Modus Gegenüber oder Beides), wird Ihnen auch die Übersetzung der Gegenseite vorgelesen: Diese Richtung hat einen eigenen TTS-Slot mit eigenem Modell und eigener Stimme. Jede Richtung behält ihre eigene Stimme.

5Übersetzung starten

Klicken Sie auf die Schaltfläche Sitzung starten. Erkennung und Übersetzung erfolgen auf Ihrem Gerät in Echtzeit; ist eine Stimme von Edge TTS ausgewählt, braucht die Sprachausgabe der Übersetzung eine Netzwerkverbindung.

Was ist der Anbieter „Kostenlos“?

„Kostenlos“ ist eine vollständig auf dem Gerät laufende KI-Übersetzungspipeline, die ASR, Übersetzung und TTS ohne Cloud-Dienste ausführt:

• Vollständiger Datenschutz — alle Audio- und Textverarbeitung bleibt auf Ihrem Gerät
• Funktioniert nach dem erstmaligen Modell-Download offline
• Keine API-Schlüssel, Konten oder Abonnements erforderlich
• Angetrieben von WebAssembly (WASM) und WebGPU für nahezu native Leistung
• Kostenlose Nutzung ohne Nutzungsbeschränkungen

Verfügbare Modelle

Der Anbieter „Kostenlos“ unterstützt eine breite Palette von Modellen für jede Stufe der Übersetzungspipeline:

• ASR: 42 Modelle einschließlich Cohere Transcribe, Voxtral Mini 4B Realtime, Whisper, SenseVoice, Moonshine, NeMo und Zipformer — über 99 Sprachen abdeckend
• Übersetzung: 74 Opus-MT-Sprachpaare für schnelle CPU-Übersetzung, plus TranslateGemma und Qwen LLMs über WebGPU für mehrsprachige Unterstützung
• TTS: 136 Modelle in 52 Sprachen mit Piper-, Coqui-, Mimic3- und Matcha-Engines

VAD-Einstellungen (Sprachaktivitätserkennung)

Steht der Sprachmodus in den Einstellungen auf Auto, klicken Sie daneben auf VAD-Einstellungen, um die Sprachaktivitätserkennung auf dem Gerät abzustimmen. In Push-to-Talk und Push-to-Translate bestimmen Sie selbst, wo jeder Satz beginnt und endet:

• Max. Sprechdauer: wie lang eine Äußerung dauern darf, bevor sie geteilt wird (10–40 s, Standard 30 s); manche Modelle teilen früher, bei der längsten Strecke, die sie korrekt transkribieren
• Vorlauf vor Sprache: behält etwas Audio von kurz vor dem Erkennen der Sprache (bis zu 2 s, Standard 0,8 s), damit der erste Laut eines Satzes nicht abgeschnitten wird; nur bei Modellen angezeigt, die es unterstützen
• Smart (Smart Turn): statt immer eine feste Stille abzuwarten, prüft es, ob Sie zu Ende gesprochen haben, und beendet den Satz etwa 0,4 s, nachdem Sie aufhören; bei einer Pause mitten im Satz hört es weiter zu. Beim Einschalten wird einmalig ein 31 MB großes Modell heruntergeladen; es funktioniert mit den WebGPU-Spracherkennungsmodellen
• Zurücksetzen: setzt diese Einstellungen auf ihre Standardwerte zurück

Hardwareanforderungen

• CPU (WASM): Funktioniert in jedem modernen Browser — keine spezielle Hardware erforderlich
• WebGPU: Optionale GPU-Beschleunigung für Cohere Transcribe, Voxtral Mini, Whisper ASR, TranslateGemma und Qwen-Übersetzungsmodelle — deutlich schneller mit dedizierter GPU
• Empfohlen: 4 GB+ RAM für komfortables Laden der Modelle
• Speicher: Modellgrößen von 5 MB bis 200+ MB je nach Genauigkeitsstufe
• Moderner Browser erforderlich: Chrome 113+, Edge 113+ oder Firefox 120+ für WebGPU-Unterstützung

TTS-Einstellungen

• Sprechgeschwindigkeit — Steuert die Wiedergabegeschwindigkeit der synthetisierten Sprache. Passen Sie den Geschwindigkeitsregler an, um die Ausgabe nach Ihren Wünschen schneller oder langsamer zu machen.
• Sprecher-ID — Steuert die Klangfarbe der synthetisierten Sprache. Viele Modelle unterstützen mehrere Sprecher-IDs, jede mit einer anderen Stimme. Einige Multi-Sprecher-Modelle enthalten Stimmen verschiedener Geschlechter, sodass Sie durch Auswahl verschiedener Sprecher-IDs eine männliche oder weibliche Stimme wählen können. Die Sprecher-ID bzw. die Edge-TTS-Stimme wird pro Richtung gespeichert: Was Sie im TTS-Slot einer Richtung wählen, ändert die andere Richtung nicht.

Häufige Probleme

Stimme nach dem Update zurückgesetzt: Seit Sokuji 0.44.0 behält jede Richtung ihre eigene Stimme. Eine in einer früheren Version gewählte Stimme teilten sich beide Richtungen, daher startet jede Richtung nach dem Update einmalig mit ihrer Standardstimme. Wählen Sie die Stimme im TTS-Slot jeder Richtung erneut.

Übersetzung, die ich höre, erscheint nur als Text: Erscheint die Warnung „Übersetzung, die ich höre, erscheint nur als Text: Nicht genug Speicher, um auch das Sprachausgabemodell der Gegenseite zu laden.“, passen die Modelle beider Richtungen nicht zusammen in den Speicher: Die Übersetzung der Gegenseite startet daher nur als Text, während Ihre weiterhin gesprochen wird. Die Schaltfläche Einstellungen der Warnung öffnet den TTS-Slot dieser Richtung: Wählen Sie ein kleineres Modell oder Edge TTS, das keinen lokalen Speicher belegt.

Edge TTS spricht in der Browsererweiterung nicht mehr: Edge TTS synthetisiert Sprache jetzt auf api.msedgeservices.com. Wenn die Erweiterung auf Sokuji 0.44.0 aktualisiert wird, bittet Chrome oder Edge Sie, den Zugriff auf diese Website zu erlauben, und lässt die Erweiterung deaktiviert, bis Sie zustimmen: Öffnen Sie die Erweiterungsseite des Browsers und akzeptieren Sie die neue Berechtigung. Die Desktop-App braucht nichts.

Modell-Download schlägt fehl: Überprüfen Sie Ihre Internetverbindung für den erstmaligen Download. Modelle werden lokal in IndexedDB zwischengespeichert, sodass nachfolgende Nutzungen offline funktionieren. Versuchen Sie, Browserdaten zu löschen, wenn Downloads beschädigt sind.

ASR erkennt keine Sprache: Stellen Sie sicher, dass Sie das richtige ASR-Modell für Ihre Quellsprache ausgewählt haben. Versuchen Sie ein größeres Modell für bessere Genauigkeit. Überprüfen Sie, ob Ihr Mikrofon funktioniert und die Berechtigungen erteilt wurden.

Übersetzungsqualität ist niedrig: Opus-MT-Modelle sind für Geschwindigkeit statt Qualität optimiert. Für bessere Ergebnisse versuchen Sie TranslateGemma oder Qwen LLM-Modelle, wenn Ihr Gerät WebGPU unterstützt. Stellen Sie sicher, dass Sie das richtige Sprachpaar ausgewählt haben.

WebGPU nicht verfügbar: WebGPU erfordert einen kompatiblen Browser und GPU. Wechseln Sie zu WASM-basierten Modellen (sherpa-onnx, Opus-MT), die in jedem modernen Browser ohne GPU-Anforderungen funktionieren.

Leistungstipps

1. Verwenden Sie WebGPU-Modelle, wenn verfügbar, für deutlich schnellere Verarbeitung
2. Schließen Sie andere Browser-Tabs, um Speicher für das Laden der Modelle freizugeben
3. Wählen Sie kleinere Modelle für leistungsschwache Geräte oder wenn Geschwindigkeit Priorität hat
4. WASM-Modelle (sherpa-onnx, Opus-MT) sind kompatibler, aber langsamer als WebGPU-Alternativen
5. Überwachen Sie die Speichernutzung des Browsers — große Modelle können 2 GB+ Browserspeicher erfordern