Aktualisiert 4. September 2026 · Von Sumbat.T
Speech to Text unter Linux: 7 Tools, die wirklich tippen (2026)
Die kurze Antwort
- Ihr Display-Server entscheidet, welche Tools funktionieren, und fast kein Guide sagt das. Diktier-Tools tippen nicht, sie simulieren Tastenanschläge, und Wayland blockiert das absichtlich. Die eigene Dokumentation von nerd-dictation sagt, dass unter Wayland „the program will not type anything“ mit dem Standard-Backend. Prüfen Sie, ob Sie X11 oder Wayland laufen lassen, bevor Sie irgendetwas wählen.
- Ubuntu ist der härteste Fall, weil es standardmäßig Wayland nutzt. Die README von Handy sagt, dass unter Ubuntu 26.04 wtype nicht funktioniert und Sie ydotool plus eine systemd-Unit brauchen. Das ist der Stand des am häufigsten empfohlenen Gratis-Tools auf der populärsten Distribution.
- Die Gratis-Tools sind wirklich gut und kosten Zeit. Handy (MIT, 30.961 GitHub-Stars), Speech Note (MPL-2.0) und nerd-dictation (GPL-3.0) laufen alle vollständig offline. Sie zahlen in Modellwahl und Input-Backend-Konfiguration statt in Geld.
- Wenn Sie das alles lieber überspringen, BlabbyAI liefert einen Linux-Build als .deb, AppImage und snap, mit Ubuntu GNOME Wayland als released gelistet. Es kostet 8,49 $ im Monat mit Gratis-Tarif von 60 Credits pro Woche, ohne Karte. Und weil die Chrome-Erweiterung im Browser läuft, berührt sie weder X11 noch Wayland.
Unter Linux diktieren
Ein Linux-Build, der sich als .deb installiert
Ubuntu GNOME unter Wayland, Ubuntu GNOME unter X11 und Mint Cinnamon sind als released gelistet. Oder die Chrome-Erweiterung, die den Display-Server komplett umgeht.
Die Frage, die jeder Linux-Diktat-Guide überspringt
Suchen Sie nach Linux Speech to Text, und Sie bekommen eine Liste mit sieben oder acht Tools, jeweils mit einem Absatz zu Modell und Lizenz. Installieren Sie die Top-Empfehlung, und die Chance ist real, dass sie Ihre Stimme fehlerfrei transkribiert und dann absolut nichts in Ihren Editor tippt. Nichts ist kaputt. Sie sind einfach auf das gestoßen, was diese Listen auslassen.
Diktiersoftware tippt nicht wirklich. Sie wandelt Ihre Sprache in Text um und simuliert dann Tastenanschläge, damit der Text in der Anwendung mit Fokus landet. Unter Windows und macOS ist diese Simulation ein dokumentierter Systemdienst und für Sie unsichtbar. Unter Linux ist sie der schwerste Teil des ganzen Problems, weil wie Sie einen Tastenanschlag simulieren, komplett davon abhängt, welchen Display-Server Sie laufen lassen.
Unter X11 kann jedes Programm Eingabe-Events in jedes andere Programm injizieren. Das macht xdotool möglich, und es ist auch eine seit Langem bekannte X11-Sicherheitsschwäche: Ein Keylogger ist unter X11 trivial zu schreiben, genau aus dem Grund, aus dem Diktat einfach ist. Wayland hat dieses Loch absichtlich geschlossen. Eine normale Wayland-Anwendung kann keine Tastenanschläge in eine andere Anwendung schieben, das ist ein echter Sicherheitsgewinn und zugleich der Grund, warum Ihr Diktier-Tool dasitzt und nichts tut.
Zuerst prüfen
Führen Sie echo $XDG_SESSION_TYPE in einem Terminal aus. Wenn es wayland ausgibt, brauchen mehrere der am häufigsten empfohlenen Tools auf dieser Seite Extra-Konfiguration, bevor sie ein einziges Zeichen tippen. Wenn es x11 ausgibt, funktioniert fast alles out of the box.
Das zählt jedes Jahr mehr, weil die großen Distributionen standardmäßig auf Wayland umstellen. Das heißt: Der Standardrat auf Seite eins bei Google driftet mit jedem Ubuntu-Release weiter aus dem Datum, und die Tools, die am begeistertsten empfohlen werden, sind oft die mit dem meisten Setup, das noch vor Ihnen liegt.
Die vier Input-Backends, und was jedes Sie kostet
Fast jedes Open-Source-Diktier-Tool unter Linux delegiert den Tipp-Schritt an eines von vier kleinen Utilities. Welches Sie brauchen, entscheidet Ihr Display-Server, und der Setup-Aufwand schwankt enorm. Diese Tabelle ist der Teil der Entscheidung, der wirklich bestimmt, ob ein Installationsabend gut ausgeht.
| Backend | Display-Server | Setup | Was Sie wissen sollten |
|---|---|---|---|
xdotool | Nur X11 | Ein Paket installieren | Der Standard für nerd-dictation. Tippt unter Wayland nichts. |
wtype | Wayland | Ein Paket installieren | Handy bevorzugt es, aber die README sagt: unter Ubuntu 26.04 funktioniert es nicht. |
ydotool | X11, Wayland, TTY | Binary, Gruppe, udev-Regel, systemd | Die zuverlässige Antwort, und mit Abstand der meiste Setup-Aufwand. |
dotool | X11, Wayland, TTY | Binary plus uinput-Zugriff | Gleicher uinput-Ansatz wie ydotool, einfachere Schnittstelle. |
Quelle: eigene Dokumentation der Projekte, gelesen im September 2026.
Die Lücke zwischen der zweiten und dritten Zeile ist die ganze Story. wtype hinzuzufügen ist ein apt install. ydotool hinzuzufügen heißt: Binary von der Releases-Seite des Projekts holen, irgendwo in Ihren $PATH legen, Ihren User zur Gruppe input hinzufügen und eine udev-Regel schreiben, damit /dev/uinput ohne root schreibbar ist. Das nerd-dictation-Projekt dokumentiert das alles selbst und ist ehrlich, warum es nicht der Standard ist: ydotool „requires some system configuration to use conveniently“ und „lacks accessible documentation“.
# Which display server am I actually running?
$ echo $XDG_SESSION_TYPE
wayland
# The X11 answer: one package, done.
$ sudo apt install xdotool
# The Wayland answer, short version:
$ sudo apt install wtype
# The Wayland answer when wtype will not do:
$ sudo usermod -aG input $USER
$ echo 'KERNEL=="uinput", GROUP="input", MODE="0660"' \
| sudo tee /etc/udev/rules.d/80-uinput.rules
# then a systemd unit for ydotoold, then log out and back inNichts davon ist jenseits von jemandem, der Linux aus Wahl nutzt. Es lohnt sich nur zu wissen, dass es vor Ihnen liegt, bevor Sie starten, statt es in dem Moment zu entdecken, in dem Sie eigentlich diktieren wollten.
Die sieben Tools auf einen Blick
Sortiert danach, wie viel Arbeit zwischen Installieren und Diktieren steht, nicht nach Vorliebe. Die Wayland-Spalte zuerst lesen.
| Tool | Typ | Wayland | Install | Preis |
|---|---|---|---|---|
 BlabbyAI | Fertige Desktop-App | Ubuntu GNOME Wayland als released gelistet | .deb, AppImage, snap | 8,49 $/Monat, Gratis-Tarif 60 Credits/Woche |
 Handy | Open-Source-Desktop-App | Eingeschränkt; braucht wtype, oder ydotool unter Ubuntu 26.04 | Vorgebaute Binaries | Kostenlos, MIT |
 Speech Note | Eigenständiges Fenster | Nicht betroffen, tippt nicht in andere Apps | Flatpak | Kostenlos, MPL-2.0 |
 Whispering | Open-Source-Desktop-App | Dieselbe Klasse Input-Backend-Setup | Vorgebaute Binaries | Kostenlos, eigenen API-Key mitbringen |
nerd-dictation | CLI-Skript | Tippt nichts mit Standard-xdotool-Backend | Repo klonen | Kostenlos, GPL-3.0 |
whisper.cpp | Library und CLI | Input verdrahten Sie selbst | Aus dem Quellcode bauen | Kostenlos, MIT |
ibus-speech-to-text | Eingabemethode | Funktioniert über IBus unter GNOME | Distro-Paket | Kostenlos |
Quelle: Herstellerdokumentation und Projekt-READMEs, gelesen im September 2026. GitHub-Zahlen über die GitHub API am 4.9.2026.
1. BlabbyAI: ein fertiger Linux-Build, inklusive Wayland
BlabbyAI ist eine Diktier-App und kein Transkriptions-Tool: Sie drücken ein Kürzel, sprechen, und der Text erscheint in dem Feld, in dem der Cursor steht. Eine Toolbar sitzt unten mittig auf dem Bildschirm, und derselbe Build bringt Custom Modes, Custom Spellings und Sprachauswahl mit.
Der Grund, warum es oben auf einer Linux-Liste steht, ist eng und konkret: Es ist fertig paketiert. Der Download ist ein .deb, ein AppImage oder ein snap, also auf einem Debian- oder Ubuntu-Derivat ein Doppelklick oder ein dpkg -i, und das AppImage läuft ohne jede systemweite Installation. Die Support-Matrix auf der Linux-Seite listet Mint Cinnamon X11, Ubuntu GNOME X11 und Ubuntu GNOME Wayland als released, KDE Plasma ist noch in Entwicklung. Dieses letzte Detail ist das, das zählt, angesichts von allem oben.
Quelle: BlabbyAI Linux-App.
Was Sie fürs Geld bekommen
8,49 $ im Monat, unbegrenzt. Der Gratis-Tarif sind 60 Credits pro Woche ohne Karte, die sich auffüllen statt dauerhaft auszugehen, sodass Sie es über mehrere Wochen an echter Arbeit testen können.
Wo es sich von den Gratis-Tools unterscheidet
Custom Modes. Ein Mode ist eine freie KI-Anweisung auf dem, was Sie gerade gesagt haben, sodass dasselbe Diktat als aufgeräumter Absatz, Aufzählung oder Commit-Message herauskommen kann.
Custom Modes verdienen noch einen Satz, weil sie der Teil ohne Open-Source-Äquivalent auf dieser Seite sind. Die Anweisung ist freier Text, kein Preset, also macht sie, was ein Sprachmodell mit einem Stück Text tun kann: Füllwörter streichen, einen Hausstil erzwingen, übersetzen, ausschweifendes Sprechen in einen strukturierten Bericht verwandeln, oder gesprochene Befehle ehren, die Sie selbst definieren, etwa „neuer Absatz“. Ihre Sprache ist der Input für den Mode, und der Mode schreibt sie um.
Der Browser-Weg
Wenn der Großteil Ihres Schreibens im Browser stattfindet, nimmt die BlabbyAI Chrome-Erweiterung das Display-Server-Problem heraus, indem sie gar nicht mitspielt. Sie läuft in Chrome, also sind X11, Wayland und uinput irrelevant, und sie funktioniert auf jeder Distribution und jeder Desktop-Umgebung. Es gibt nichts auf Systemebene zu installieren und keine udev-Regel zu schreiben.
2. Handy: die beste kostenlose Desktop-Option, mit Wayland-Sternchen
Handy ist eine MIT-lizenzierte, vollständig offline laufende Diktier-App in Rust, und mit Abstand die glaubwürdigste kostenlose Option in dieser Kategorie. Sie läuft unter Windows, macOS und Linux, beschreibt sich als erweiterbar, und das erklärte Prinzip lautet: Accessibility-Tools sollten nicht hinter einer Bezahlschranke sitzen. Gegen die GitHub API am 4.9.2026 geprüft: 30.961 Stars und letzter Push am 31.8.2026, also populär und aktiv gepflegt, was in dieser Kategorie keine Selbstverständlichkeit ist.
Das Sternchen ist Wayland, und dem Projekt ist zugutezuhalten, dass es in der README steht statt in einem Issue-Tracker vergraben. Handy listet „limited support for Wayland display server“ und braucht wtype oder dotool, damit Texteingabe funktioniert. Dann kommt der Satz, der die ganze Kategorie neu rahmt:
Aus Handys eigener README
„Ubuntu 26.04: Has Wayland display server by default. wtype does not work, you need to install ydotool and configure systemd.“
Lesen Sie das gegen die Tatsache, dass Ubuntu die am weitesten verbreitete Desktop-Distribution ist und aktuelles Ubuntu Wayland standardmäßig liefert. Das am häufigsten empfohlene kostenlose Diktier-Tool, auf der gängigsten Distribution, in der Standardkonfiguration, braucht das schwerste der vier Input-Backends und eine systemd-Unit. Das ist keine Kritik an Handy, das hier ungewöhnlich ehrlich ist. Es ist die klarste einzelne Illustration, warum Linux-Diktat den Ruf hat, knifflig zu sein.
3. Speech Note: umgeht das ganze Problem
Speech Note, manchmal dsnote genannt, ist die vollständigste Offline- Sprach-App unter Linux und löst das Display-Server-Problem, indem sie es ablehnt. Es ist ein Fenster. Sie diktieren in Speech Note, und der Text erscheint in Speech Note. Weil es nie versucht, Tastenanschläge in eine andere Anwendung zu injizieren, sind X11 und Wayland gleich gut, und es gibt kein Input-Backend zu installieren.
Es ist MPL-2.0-lizenziert, installiert sich sauber als Flatpak, und der letzte Push war am 2.9.2026 mit 1.624 Stars, also sehr lebendig. Es macht auch mehr als Diktat: Offline Speech to Text, Text to Speech und maschinelle Übersetzung in einer Anwendung, mit Vulkan-GPU-Beschleunigung für größere Modelle. Wenn Ihr Job darin besteht, einen Textblock zu erzeugen, den Sie danach irgendwo einfügen, ist das vermutlich das beste Tool auf der Seite.
Der Trade-off, klar gesagt
Speech Note ist kein systemweites Diktat. Jeder Satz heißt: in sein Fenster sprechen und das Ergebnis dorthin kopieren, wo Sie es wirklich wollten. Das ist in Ordnung für den Entwurf eines Dokuments und anstrengend für eine Slack-Antwort. Die Tools, die direkt in Ihre Apps tippen, zahlen die Wayland-Steuer, und das ist die andere Seite dieses Deals.
4. Whispering: eigenen Transkriptions-Provider mitbringen
Whispering, Teil des Epicenter-Projekts, ist eine Open-Source- Diktier-App, deren Unterscheidungsmerkmal lautet: Sie liefern das Transkriptions-Backend. Es unterstützt lokale Modelle und eine lange Liste gehosteter Provider, also gehören Genauigkeit und Kosten Ihnen zur Wahl, statt dass der Entwickler sie festlegt. Am 4.9.2026 geprüft: Das Repository hatte 4.786 Stars und den letzten Push am 30.8.2026.
Es passt zu einer Person sehr gut: jemandem, der schon einen API-Key hat, weiß, welches Modell er will, und prinzipiell dagegen ist, ein Abo für eine dünne Schicht über einem Modell zu zahlen, das er selbst aufrufen könnte. Wenn das nicht Sie sind, ist die Provider-Wahl eine Entscheidung mehr zwischen Ihnen und dem Diktieren, und dieselbe Linux-Input-Backend-Arbeit gilt unter Wayland weiterhin.
5. nerd-dictation: das, was Seite eins immer noch empfiehlt
nerd-dictation ist ein einzeiliges Python-Skript auf der VOSK API, GPL-3.0, und wirklich elegant: winzige Modelle unter 50 MB, fast kein Ressourcenverbrauch, und hackbar für jeden, der in Python zurechtkommt. Es taucht in praktisch jedem Linux-Diktat-Roundup auf, inklusive Googles eigener AI Overview zu dieser Query.
Zwei Dinge dazu lohnen sich auszusprechen, weil die Roundups, die es empfehlen, in der Regel keines von beiden sagen. Erstens die Pflege: Gegen die GitHub API am 4.9.2026 geprüft, war der letzte Push im Repository am 10.10.2025, also nahe an elf Monaten ohne Commit. Es ist nicht archiviert und der Code läuft noch, aber es steht nicht unter aktiver Entwicklung wie Handy und Speech Note.
Zweitens das Wayland-Verhalten, das die eigene Dokumentation klarer beschreibt als jeder Artikel darüber. Das Standard-Input-Backend ist xdotool, und der ydotool-Guide des Projekts sagt dazu in klaren Worten:
Aus der nerd-dictation-Dokumentation
„It is only compatible with Xorg, not with Wayland. If you want to use Wayland, the program will not type anything.“
Der Fix ist real und dokumentiert: --simulate-input-tool übergeben und DOTOOL, YDOTOOL oder WTYPE wählen. Derselbe Guide nennt eine zweite xdotool-Grenze, die Sie kennen sollten, wenn Sie in etwas anderem als Englisch diktieren: Es leidet unter „considerable slowdowns when writing characters not found in the English language, temporarily freezing your computer's display“.
# nerd-dictation on Wayland: the default will type nothing.
$ nerd-dictation begin --simulate-input-tool=DOTOOL
# ...or YDOTOOL, if you have done the uinput and systemd setup:
$ nerd-dictation begin --simulate-input-tool=YDOTOOL
# Non-English text under xdotool can freeze the display.
# This is documented behaviour, not a bug in your setup.6. whisper.cpp: die Teile, nicht das Produkt
whisper.cpp ist der C- und C++-Port von OpenAIs Whisper-Modell und trägt mehrere der Anwendungen oben, statt mit ihnen zu konkurrieren. Für sich ist es kein Diktier-Tool: Es macht aus Audio Text, und alles andere, Hotkey, Mikrofon-Capture, Tastenanschlag-Simulation, schreiben Sie selbst.
Für eine bestimmte Art Linux-Nutzer ist das der Reiz und nicht der Nachteil. Zwanzig Zeilen Shell, die arecord an whisper.cpp an dotool koppeln, ergeben genau den Diktier-Workflow, den Sie wollen, und sonst nichts, ohne Telemetrie, ohne Konto und ohne Update, das Sie nicht wollten. Wenn Sie je Ihre eigene Statusleiste gebaut haben, wissen Sie schon, ob dieser Absatz einen guten oder einen schlechten Nachmittag beschreibt.
7. ibus-speech-to-text: das Nächste zu einer nativen Option
Die letzte Option ist anders geartet. Statt eine Anwendung zu sein, die in andere Anwendungen tippt, hängt sie sich in IBus ein, das Eingabemethoden-Framework, das GNOME schon für jedes andere Tastaturlayout und jede Eingabemethode nutzt. Sie installieren das Paket, fügen Speech to Text unter Input Sources in den Tastatureinstellungen hinzu, und es wird in Standardanwendungen verfügbar wie jede andere Eingabemethode.
Weil es über die Eingabemethoden-Schicht arbeitet statt über simulierte Tastenanschläge, läuft es nicht in derselben Weise gegen die Wayland-Wand. Die Grenzen: In der Praxis GNOME- und Fedora-Territorium, und Sie bekommen rohe Transkription ohne die Bereinigung, Formatierung oder Custom Instructions, die fertige Tools darüber legen. Als Beweis, dass sich Linux-Diktat nativ anfühlen kann, ist es das Ermutigendste auf dieser Liste.
So wählen Sie, in der Reihenfolge, die wirklich zählt
Der übliche Rat lautet, bei der Genauigkeit zu starten, und das ist das falsche Ende. Genauigkeit ist eine Eigenschaft des Modells, und jedes Tool hier kann ein vergleichbares Whisper-Modell laufen lassen, die meisten wahrgenommenen Genauigkeitsunterschiede sind also Modellgrößen-Unterschiede, die Sie unbemerkt gewählt haben. Arbeiten Sie stattdessen diese Reihenfolge ab.
- Finden Sie heraus, was Sie laufen lassen.
echo $XDG_SESSION_TYPE. Alles darunter hängt von dieser Antwort ab, und sie kostet zwei Sekunden. - Entscheiden Sie, ob Sie systemweites Tippen brauchen. Wenn Sie langen Text entwerfen, den Sie ohnehin einfügen, ist Speech Note exzellent und überspringt das ganze Problem. Wenn Sie eine Slack-Antwort diktieren wollen, ohne Fenster zu wechseln, brauchen Sie ein Tool, das in andere Anwendungen tippt, und die Display-Server-Frage wird real.
- Fragen Sie, wo Ihr Schreiben wirklich stattfindet. Wenn die ehrliche Antwort „in einem Browser-Tab“ lautet, löst eine Chrome-Erweiterung es ohne Systeminstallation auf jeder Distribution.
- Dann entscheiden Sie, was Sie lieber ausgeben. Die Gratis-Tools kosten einen Abend Konfiguration und gelegentliche Wartung. Ein fertiges Tool wie BlabbyAI kostet 8,49 $ im Monat und kommt als .deb. Beides sind legitime Antworten, und Linux-Nutzer sind ungewöhnlich gut positioniert, die erste bewusst zu wählen.
- Erst jetzt Modelle vergleichen. Und wenn ein Tool ungenau wirkt, probieren Sie zuerst ein größeres Modell, bevor Sie ein anderes Tool versuchen.
Den Input-Backend-Abend überspringen
Ein .deb installieren und diktieren
60 Credits jede Woche im Gratis-Tarif, ohne Karte. Ubuntu GNOME Wayland, Ubuntu GNOME X11 und Mint Cinnamon sind als released gelistet, und die Chrome-Erweiterung funktioniert auf jeder Distribution.
Warum diese Kategorie unter Linux existiert und anderswo kaum
Es lohnt sich, die zugrunde liegende Asymmetrie zu benennen, weil sie die Form von allem oben erklärt. Windows liefert Spracheingabe unter Win+H und macOS liefert Dictation. Beides ist im Betriebssystem eingebaut, beides funktioniert in jedem Textfeld, und keines verlangt, dass Sie darüber nachdenken, wie Tastenanschläge ankommen. Auf diesen Plattformen muss ein Drittanbieter-Diktier-Tool einen anständigen kostenlosen Default schlagen.
Keine gängige Linux-Distribution liefert ein immer verfügbares Äquivalent. Die Lücke, die das hinterlässt, ist der Grund, warum hier sieben glaubwürdige Projekte existieren, die meisten kostenlos und mehrere exzellent, und auch der Grund, warum sie die letzte Meile jeweils anders lösen. Es gibt keinen Systemdienst, an den man delegieren könnte, also wählt jedes Projekt seine eigene Antwort, und die Antworten stimmen nicht überein.
Was Linux richtig macht
Echte Wahl, echte Offline-Verarbeitung und keine Minutenabrechnung. Nichts hier schickt Ihr Audio irgendwohin, außer Sie wählen ein Tool, das das tut, und mehrere sind Zeile für Zeile auditierbar.
Was es kostet
Die letzte Meile. Jedes Tool hier hat Spracherkennung gelöst; was sie trennt, ist, wie viel Arbeit zwischen einem funktionierenden Transkript und Text an der gewünschten Stelle noch übrig ist.
Das ist auch die fairste Art, diese Liste zu lesen. Das sind nicht sieben Tools unterschiedlicher Qualität. Das sind sieben verschiedene Antworten auf eine unglamouröse Engineering-Frage, die Windows und macOS vor Jahren zentral beantwortet haben, und die richtige für Sie hängt weniger vom Modell ab als von Ihrem Display-Server und davon, wo Ihre Worte landen müssen.
Häufig gestellte Fragen
Hat Linux eingebautes Speech to Text?
Nicht so wie Windows und macOS. Windows liefert Win+H-Spracheingabe im Betriebssystem und macOS liefert Dictation, und beides funktioniert in jedem Textfeld, sobald Sie es aktivieren. Keine gängige Linux-Distribution liefert ein Äquivalent, das standardmäßig an ist. GNOME- und Fedora-Nutzer können das Paket ibus-speech-to-text installieren und Speech to Text als Eingabequelle hinzufügen, das kommt dem nativen Weg am nächsten, aber Sie installieren und konfigurieren es, statt dass es schon da ist. Überall sonst heißt Diktat unter Linux: ein Drittanbieter-Tool wählen. Genau deshalb existiert diese Kategorie unter Linux und kaum unter Windows: Das Betriebssystem lässt eine Lücke, und sieben oder acht Projekte haben sie jeweils anders gefüllt.
Warum scheitert Diktiersoftware unter Wayland?
Weil Diktier-Tools nicht wirklich „tippen“. Sie simulieren Tastenanschläge, und wie man unter Linux einen Tastenanschlag simuliert, hängt komplett vom Display-Server ab. Unter X11 kann jedes Programm Eingaben in jedes andere Programm injizieren, deshalb funktioniert xdotool, und deshalb ist es nebenbei auch eine X11-Sicherheitsschwäche. Wayland hat dieses Loch absichtlich geschlossen: Eine normale Anwendung kann keine Tastenanschläge in eine andere Anwendung schieben. Ein Diktier-Tool auf xdotool transkribiert Ihre Sprache also perfekt und tippt danach gar nichts, weil der Mechanismus zum Tippen absichtlich blockiert ist. Die Workarounds sind ydotool und dotool, die auf der Kernel-uinput-Schicht unter dem Display-Server arbeiten, und wtype, das den Compositor über ein Wayland-Protokoll höflich fragt, das nicht jeder Compositor implementiert. Das ist das Nützlichste, was man vor der Tool-Wahl verstehen sollte, und fast kein Roundup erwähnt es.
Welches Speech-to-Text-Tool funktioniert unter Ubuntu?
Modernes Ubuntu startet standardmäßig den Wayland-Display-Server, die Frage ist also wirklich, welche Tools Wayland können. BlabbyAI liefert einen Linux-Build mit Ubuntu GNOME unter Wayland als released, neben Ubuntu GNOME X11 und Mint Cinnamon X11, und installiert sich als .deb, AppImage oder snap. Handy läuft unter Ubuntu, aber die eigene README sagt: Unter Ubuntu 26.04, das standardmäßig Wayland ist, funktioniert wtype nicht und Sie müssen ydotool installieren und systemd konfigurieren. nerd-dictation funktioniert, wenn Sie das Input-Simulations-Backend vom Standard-xdotool wegschalten. Speech Note funktioniert, weil es ein Fenster ist, in das Sie diktieren, statt ein Tool, das in andere Apps tippt, und umgeht das Problem komplett, auf Kosten davon, nicht systemweit zu sein.
Gibt es kostenlose Speech-to-Text-Software für Linux?
Ja, und Linux ist hier im Vergleich zu anderen Plattformen ungewöhnlich gut bedient. Handy ist MIT-lizenziert und kostenlos, Speech Note ist kostenlos unter MPL-2.0, nerd-dictation ist GPL-3.0, und whisper.cpp ist kostenlos, wenn Sie drumherum skripten wollen. Alle laufen lokal, also keine Minutenabrechnung und kein Konto. Der Preis ist Ihre Zeit: Jedes verlangt, ein Modell zu wählen, es an die Hardware anzupassen, und unter Wayland zusätzlich ein Input-Backend zu installieren und zu konfigurieren. Bezahlte Tools verlangen Geld dafür, Ihnen diese Arbeit abzunehmen. BlabbyAI hat einen Gratis-Tarif mit 60 Credits pro Woche ohne Karte, sodass Sie ein fertiges Tool und ein Open-Source-Tool an eigenen Sätzen vergleichen können, bevor Sie entscheiden, welche Art von Kosten Sie lieber tragen.
Was ist der Unterschied zwischen Speech to Text und Diktat unter Linux?
Die Begriffe werden austauschbar benutzt und beschreiben zwei wirklich unterschiedliche Jobs. Transkription nimmt eine vorhandene Audiodatei und macht Text daraus, dafür sind Buzz und whisper.cpp gebaut. Diktat tippt Ihre Worte live in die Anwendung, die Sie gerade nutzen, als Teil des Schreibens. Unter Linux zählt die Trennung stärker als anderswo, weil Transkriptions-Tools gar kein Display-Server-Problem haben: Sie lesen eine Datei und schreiben eine Datei, und niemand muss Tastenanschläge injizieren. Diktier-Tools sind die, die unter Wayland kaputtgehen. Wenn Sie nach Linux Speech to Text suchen und bei einem Tool landen, das einwandfrei läuft, aber nur im eigenen Fenster, liegt der Grund in dieser Unterscheidung.
Funktioniert BlabbyAI unter Linux?
Ja. BlabbyAI liefert eine Linux-Desktop-App als .deb-Paket, AppImage und snap, installiert sich also auf Debian- und Ubuntu-Derivaten über den Paketmanager oder läuft als AppImage ohne systemweite Installation. Die Support-Matrix auf der Linux-Seite listet derzeit Mint Cinnamon X11, Ubuntu GNOME X11 und Ubuntu GNOME Wayland als released, KDE Plasma ist in Entwicklung. Es funktioniert wie die Windows-App: Tastenkürzel, Toolbar unten mittig, Text in die Anwendung mit Fokus, plus Custom Modes, Custom Spellings und Sprachauswahl. Die Windows-App und die Chrome-Erweiterung bleiben die beiden Produkte, die wir am stärksten bewerben, aber der Linux-Build ist echt und downloadbar, keine Warteliste.
Kann ich statt dessen eine Chrome-Erweiterung zum Diktieren unter Linux nutzen?
Das ist die am stärksten unterschätzte Antwort auf die ganze Frage und verdient mehr Aufmerksamkeit, als sie bekommt. Eine Chrome-Erweiterung läuft im Browser und berührt weder X11 noch Wayland, uinput oder irgendwelche Display-Server-Technik. Das Kompatibilitätsproblem, das jede andere Option auf dieser Seite dominiert, gilt hier einfach nicht. Wenn der Großteil Ihres Schreibens im Browser stattfindet, und für sehr viele Menschen heißt das Gmail, Google Docs, Notion, Jira, Slack, Linear und jedes interne Web-Tool bei der Arbeit, diktiert die BlabbyAI Chrome-Erweiterung in all das auf jeder Linux-Distribution und jeder Desktop-Umgebung, ohne Paket und ohne udev-Regel. Sie tippt nicht in eine native GTK- oder Qt-Anwendung, ist also kein vollständiger Ersatz für eine Desktop-App, aber für browserlastige Arbeit nimmt sie den schwersten Teil von Linux-Diktat heraus, indem sie gar nicht mitspielt.
Wie genau ist Speech to Text unter Linux im Vergleich zu Windows?
Die Genauigkeit ist eine Eigenschaft des Modells, nicht des Betriebssystems, deshalb liefert ein gegebenes Whisper-Modell unter Linux dieselbe Transkriptqualität wie überall sonst. Was unter Linux anders ist, ist, welches Modell Sie am Ende laufen lassen. Open-Source-Tools starten standardmäßig mit kleineren lokalen Modellen, die auf gewöhnlicher Hardware komfortabel laufen, und ein kleines Modell ist messbar schlechter bei Eigennamen, Fachbegriffen und ungewöhnlichen Namen. Die Genauigkeitslücke, die Leute zwischen Linux- und Windows-Diktat melden, ist also meist eine Modellgrößen-Lücke, die sie unbemerkt gewählt haben, keine Plattformgrenze. Wenn ein lokales Tool ungenau wirkt, probieren Sie zuerst ein größeres Modell, bevor Sie das Tool wechseln, und rechnen Sie damit, dass es langsamer wird.
Was ist das beste Speech-to-Text-Tool für Linux-Entwickler?
Entwickler haben eine spezielle Variante des Problems, weil die Anwendungen, in die Sie am meisten tippen, Terminal und Editor, genau dort sind, wo Tastenanschlag-Injektion am kniffligsten ist, und weil code-nahes Vokabular kleine Modelle bestraft. Zwei Ansätze funktionieren gut. Ein fertiges systemweites Tool wie BlabbyAI nutzen, sodass Diktat in Browser, Editor und Chat-Fenster gleich läuft, und mit einem Custom Mode gesprochenen Text in die gewünschte Form bringen. Oder, wenn Sie lieber selbst zusammenbauen, whisper.cpp mit dotool koppeln und die Teile skripten. Der größere Punkt: Der Großteil eines Entwicklertags ist kein Code schreiben, sondern Pull-Request-Beschreibungen, Commit-Messages, Slack-Antworten, Ticket-Kommentare und Dokumentation, alles gewöhnliche Prosa, die sich gut diktiert.
Brauche ich eine GPU für Speech to Text unter Linux?
Nein, aber sie ändert, welche Tools sich nutzbar anfühlen. Jede lokale Option hier läuft auf der CPU, und kleine Whisper-Modelle transkribieren eine kurze Äußerung auf einer gewöhnlichen Laptop-CPU in ein oder zwei Sekunden, was für Diktat-Häppchen reicht. Wo eine GPU zählt, sind lange Transkription und größere Modelle, und Speech Note wirbt ausdrücklich mit Vulkan-GPU-Beschleunigung genau deshalb. Cloud-Tools umgehen die Hardware-Frage komplett, indem die Arbeit auf einem Server läuft, deshalb fühlen sie sich auf einem dünnen Laptop instant an und brauchen dafür eine Netzverbindung. Entscheiden Sie, welchen dieser Trade-offs Sie weniger stört, bevor Sie ein Tool nach Geschwindigkeit bewerten.
Diktat unter Linux ohne den Setup-Abend
BlabbyAI liefert ein Linux-.deb, AppImage und snap, mit Ubuntu GNOME Wayland als released gelistet, plus eine Chrome-Erweiterung, die auf jeder Distribution funktioniert. Gratis-Tarif: 60 Credits pro Woche, ohne Karte.