Die meisten Ratschläge zu schlechter Diktiergenauigkeit am Mac sind derselbe Ratschlag: deutlich sprechen, nicht nuscheln, ein besseres Mikrofon kaufen. Falsch ist das nicht, nur nutzlos — es behandelt ein Symptom als ein Problem, obwohl es mehrere sind, und die haben unterschiedliche Lösungen. Wer ein Bluetooth-Headset benutzt, das die Audioqualität still zerlegt, und wer einen Erkenner hat, der den Nachnamen der Kollegin noch nie gehört hat, sagen beide „die Spracherkennung versteht ständig falsche Wörter" — und beiden hilft schärferes Artikulieren nicht.

Sinnvoll ist, anhand der Form des Fehlers zu diagnostizieren. Was falsch herauskommt, verrät, welche Schicht kaputt ist.

Was du siehst Bedeutet meistens
Ganze Passagen zerhackt oder verloren, in Calls schlimmer Das Mikro ist auf ein Bluetooth-Anrufprofil umgeschaltet
Am Schreibtisch gut, im Besprechungsraum schlecht Abstand und Nachhall
Ein bestimmter Name oder ein Kürzel immer falsch Kein eigenes Vokabular
Fachbegriffe falsch, normale Sprache richtig Die Engine ist die Grenze
Plausible Wörter in der falschen Sprache Eingestellte Sprache passt nicht zum Gesprochenen
Wörter richtig, Sätze unlesbar Zeichensetzung und Formatierung, nicht Erkennung
Das Diktat stoppt von selbst Ein Stille-Timeout, gar keine Genauigkeitsfrage

Wenn die Diktierfunktion am Mac nicht richtig funktioniert, arbeite die Liste der Reihe nach ab. Die ersten beiden Punkte erklären das meiste, und beide kosten nichts.

1. Dein Mikrofon setzt die Obergrenze

Nichts weiter unten in der Kette kann bereits degradiertes Audio reparieren — und die häufigste Ursache dafür am Mac ist ein kabelloses Headset.

Klassisches Bluetooth muss vom hochwertigen Wiedergabeprofil auf das Freisprech-Anrufprofil umschalten, sobald eine App das Mikrofon öffnet. Der Mikrofonpfad in diesem Profil ist mono und stark komprimiert — Schmalband bei 8 kHz, Breitband bei 16 kHz — und man hört den Wechsel, weil die Musik im selben Moment zu Matsch wird. Sprachmodelle arbeiten mit 16-kHz-Audio, ein komprimiertes Schmalbandsignal ist also tatsächlich weniger Material. Das ist kein Versagen einer bestimmten Marke, sondern die Funktionsweise des Profils, und es betrifft die meisten Bluetooth-Headsets.

Es gibt eine echte Ausnahme, die man kennen sollte, weil viele Ratschläge dazu veraltet sind. Apples Aufnahme in Studioqualität umfasst AirPods 4, AirPods 4 mit ANC und AirPods Pro 2 unter macOS Tahoe 26, und sie funktioniert am Mac, nicht nur am iPhone. Gegenüber dem alten Anrufprofil-Verhalten ist das ein deutlicher Fortschritt. Sie tut das nicht überall automatisch — Apple nennt bestimmte Apps und App-Kategorien, die sie unterstützen. Ob deine Diktier-App diese Qualität bekommt, hängt also an der App.

Die verlässliche Lösung ist dieselbe. Öffne die Mikrofoneinstellungen deines Macs unter Systemeinstellungen → Ton → Eingabe und wähle dein eingebautes Mikrofon aus der Geräteliste — macOS benennt es nach deinem Modell, etwa „MacBook Pro-Mikrofon". Ein verbundenes Headset übernimmt die Eingabe, und niemand sagt dir Bescheid. In Notebooks und iMacs steckt ein Drei-Mikrofon-Array mit direktionalem Beamforming, und für die Erkennung schlägt es die meisten kabellosen Headsets. Behalte die Ohrhörer für die Wiedergabe, wenn du magst; nur eben nicht als Eingabe.

Wenn du ein besseres Diktiermikrofon für deinen Mac willst als das eingebaute, ist das Upgrade ein kabelgebundenes USB-Mikrofon, kein teureres kabelloses. Und falls du unsicher bist, ob Audio dein Problem ist: nimm mit deinem aktuellen Setup dreißig Sekunden in Sprachmemos auf und hör sie dir an. Was für dich dumpf oder nach Schuhkarton klingt, ist für das Modell noch schlechter.

2. Abstand und Nachhall, nicht Lautstärke

Das Zweite, was Genauigkeit zerstört, ist der Raum. Jede harte Oberfläche schickt eine verzögerte Kopie deiner Stimme zurück ins Mikro, und das verwischt die akustischen Grenzen zwischen Wörtern — genau die Information, mit der der Erkenner sie trennt.

Praktisch heißt das: 20–30 cm vom Mikro entfernt sitzen statt eine Armlänge weit weg, und die offensichtlichen Störquellen abstellen — den Tischventilator, das offene Fenster zur Straße, die mechanische Tastatur, auf der du beim Sprechen tippst.

Am stärksten schlägt das in Meetings durch, und dort kommt zum Nachhall ein zweiter Effekt. Wenn du über Lautsprecher statt Kopfhörer sprichst, läuft entferntes Audio in dein Mikrofon zurück. Alles, was das Meeting lokal transkribiert, hört deren Worte auf deinem Mikrofonkanal und schreibt sie dir zu. Kopfhörer lösen das grundsätzlich. Software kann hinterher aufräumen — Vext vergleicht Mikrofon- und Systemstream gegen eine gemeinsame Meeting-Uhr und verwirft Mikrofonzeilen, die innerhalb eines Zwei-Sekunden-Fensters wiederholen, was der Systemstream schon sauber erfasst hat — aber die physische Lösung bleibt die bessere.

3. Die Engine ist der größte einzelne Sprung

Wenn das Audio sauber ist und die Genauigkeit der Spracherkennung trotzdem mittelmäßig bleibt, hast du die Grenze der Engine erreicht.

Apples eingebautes Diktat ist darauf ausgelegt, sofort verfügbar, kostenlos und immer da zu sein, auf einem Gerät, das hundert andere Dinge tut. Es ist deutlich besser geworden, und für eine schnelle Antwort reicht es — wo es genügt und wo es aufhört, haben wir ausführlich behandelt. Aber es ist eine andere Modellklasse als das, was eine spezialisierte App fährt. Schwerere lokale Engines auf Apple Silicon — NVIDIAs Parakeet, die Whisper-Familie — verbrauchen mehr Rechenzeit pro Sekunde Audio und kaufen damit Genauigkeit.

Cloud-Transkriptions-APIs sind der andere Hebel und durchaus eine Option, aber dann verlässt dein Audio die Maschine. Bei Kundengesprächen, Patientennotizen, Interviews oder allem unter NDA fällt das schon deshalb aus — und die Genauigkeit, die sie bringen, ist bei sauberem Audio meist gering und nur bei wirklich schwierigen Aufnahmen größer. Auf einem M-Mac ist lokal-zuerst der Ausgangspunkt, der sich lohnt.

Zwei Dinge, bevor du der Modellgröße hinterherjagst:

  • Bei sauberer Sprache ist der Abstand zwischen guten Engines klein. Sauberes Audio plus gewöhnliches Vokabular heißt: ein größeres Modell ändert womöglich fast nichts.
  • Der Abstand wird genau dort größer, wo du vermutlich kämpfst: Störgeräusche, Akzente, Fachjargon, überlappende Sprecher.

Teste also mit deinem eigenen schwierigen Audio statt mit einem Benchmark. Diktiere einen Absatz mit den Begriffen, die du wirklich benutzt — Produktnamen, Bibliotheksnamen, das Kürzel, das dein Team vierzigmal am Tag sagt — und vergleiche daran. Wenn du vorher einen Ausgangswert willst: Unser Test der Diktiergenauigkeit bewertet einen vorgelesenen Text Wort für Wort im Browser — die Passagen mit Fachbegriffen und Eigennamen zeigen am schnellsten, welche Kategorie bei dir hakt.

4. Eigennamen sind kein Genauigkeitsproblem, sondern ein Konfigurationsproblem

Das ist der Punkt, mit dem man am längsten wartet, und der billigste.

Keine Engine produziert zuverlässig ein Wort, von dessen Existenz sie nichts weiß. Der Nachname deiner Kollegin, euer Firmenname, ein interner Projektname, kubectl — die kommen nicht falsch heraus, weil die Erkennung schlecht wäre, sondern weil das Modell das wahrscheinlichste bekannte Wort wählt, das zum Klang passt. Und das wird es immer weiter tun. Deutlicher sprechen hilft nicht, weil die richtige Schreibweise nie ein Kandidat war.

Apple gibt dir hier wenig. Das Diktat selbst hat kein eigenes Vokabular. Die Sprachsteuerung schon — Apples eigene Seite sagt, du könnest „Wörter und Wendungen hinzufügen – einzeln oder durch Importieren einer Liste" —, aber das ist eine separate Bedienungshilfe, um den Mac per Stimme zu steuern, in einigen Sprachen verfügbar, und kein Vokabular fürs Diktieren in ein Dokument.

Spezialisierte Apps lösen es mit einer Vokabular- oder Ersetzungsliste. In Vext 1.3.0 sind die Regeln Paare — was der Erkenner ausgibt und was er hätte ausgeben sollen —, die auf das Rohtranskript angewendet und anschließend als Erhaltungsanweisung in den Cleanup-Prompt gegeben werden, damit der KI-Durchlauf deine korrigierte Schreibweise nicht wieder wegparaphrasiert. Bei Engines, die einen Hinweis vorab annehmen (Apples Erkennung, Whisper-kompatible Endpunkte), werden die Begriffe zusätzlich vor der Transkription eingespeist. Dieser Erhaltungsschritt zählt mehr, als es klingt: eine Vokabularfunktion, die das Transkript korrigiert und danach ein Sprachmodell darüber schreiben lässt, hat gar nichts korrigiert.

Notiere eine Woche lang jedes Wort, das du von Hand korrigierst. Es werden zehn bis fünfzehn Einträge, überwiegend Namen — und diese Liste nimmt dir den Großteil der verbleibenden Nacharbeit ab.

5. Spracheinstellung und gemischte Rede

Wenn plausible Wörter in der falschen Sprache herauskommen oder deine Zweitsprache mitten im Satz einbricht, ist das eher Einstellung als Modellversagen.

Einsprachige Erkennung nimmt eine Sprache an und dekodiert entsprechend, also wird ein englischer Produktname in einem deutschen Satz auf das nächstbeste deutsch klingende Ding abgebildet. Um die Diktiersprache am Mac zu ändern, öffne die Tastatur-Einstellungen, in denen die Diktiersprachen liegen: Klicke auf Bearbeiten neben Sprachen, um welche hinzuzufügen oder zu entfernen; sind mehrere aktiv, kannst du mitten im Diktat über die Sprache neben dem Cursor wechseln. Apps auf Basis mehrsprachiger Modelle erkennen die Sprache meist selbst, statt zu fragen.

Sprachwechsel innerhalb eines Satzes ist für jede Engine der härteste Fall, und der ehrliche Rat lautet: Eigennamen ins Vokabular aufnehmen, damit wenigstens die überleben.

6. Zeichensetzung und Formatierung sind keine Erkennung

Ein Transkript, in dem jedes Wort stimmt und das Ganze ein Bandwurmsatz ohne Satzzeichen ist, ist kein Genauigkeitsfehler. Die Erkennung hat funktioniert. Was fehlt, ist der Durchlauf danach.

Du kannst Satzzeichen sprechen („Komma", „neuer Absatz"), und die automatische Zeichensetzung leitet einiges aus der Sprechmelodie ab, in kurzen Sätzen zuverlässiger als in langen. Die bessere Antwort ist, es gar nicht mehr per Stimme zu tun: natürlich sprechen und einen Cleanup-Durchlauf hinterher Satzzeichen, Groß-/Kleinschreibung und Füllwörter erledigen lassen. Auf Apple Silicon kann dieser Durchlauf vollständig auf dem Gerät mit einem lokalen Modell laufen und kostet dich damit nichts an Privatsphäre. Es ist auch der Grund, warum derselbe gesprochene Absatz als E-Mail, als Chatnachricht oder als Stichpunkte herauskommen kann — das Umformen passiert nach der Erkennung, nicht währenddessen.

7. Das „30-Sekunden-Limit", das nicht ist, was du gelesen hast

Der Punkt gehört korrigiert, weil er überall als harte Obergrenze fürs Diktieren wiederholt wird. Apples eigene Dokumentation sagt das Gegenteil: „Du kannst Text beliebiger Länge ohne Timeout diktieren" — und getrennt davon: „Die Diktierfunktion stoppt automatisch, wenn 30 Sekunden lang keine Sprache erkannt wird."

Das ist ein Stille-Timeout, kein Längenlimit. Es beendet die Sitzung, wenn du eine halbe Minute nicht gesprochen hast — großzügig, wenn du am Stück diktierst, und lästig, wenn du sprichst, länger nachdenkst und dann weitersprichst. Wenn das auf dich zutrifft, willst du Push-to-Talk (Taste halten, während du sprichst) oder einen Umschalt-Hotkey (drücken zum Starten, drücken zum Stoppen), damit die Sitzung endet, wenn du es sagst, und nicht nach einem Timer. Beide Muster stehen im Setup-Guide für Sprachtranskription am Mac.

Die 60-Sekunden-Checkliste

Der Reihe nach, größte Wirkung zuerst:

  1. Systemeinstellungen → Ton → Eingabe — wähle ausdrücklich dein eingebautes Mikrofon, nicht ein verbundenes Bluetooth-Headset.
  2. Setz dich 20–30 cm vor das Mikro. Ventilator aus.
  3. Trag bei Calls Kopfhörer, damit entferntes Audio nicht in dein Mikro zurückläuft.
  4. Nimm 30 Sekunden in Sprachmemos auf und hör sie an. Klingt es für dich schlecht, behebe das, bevor du die Software beschuldigst.
  5. Schreib die zehn Wörter auf, die du am häufigsten korrigierst, und leg sie als eigenes Vokabular an.
  6. Prüfe deine Diktiersprache und füge eine zweite hinzu, wenn du die Sprache wechselst.
  7. Hör auf, Satzzeichen zu diktieren; nutze stattdessen einen Cleanup-Durchlauf.
  8. Immer noch schwach bei Fachvokabular? Probier eine andere Engine mit deinem eigenen schwierigen Audio — zuerst eine lokale, denn ein Cloud-Endpunkt heißt, dass alles Gesprochene hochgeladen wird.

Sechs der acht Punkte sind kostenlos und in unter einer Minute erledigt.

Wenn es doch am Werkzeug liegt

Wenn du die Liste durch hast und es immer noch nicht reicht, ist das Werkzeug die Grenze — meistens, weil es keine Vokabularsteuerung, keine Engine-Auswahl und keinen Cleanup-Durchlauf hat, dir also die Stellschrauben ausgegangen sind.

Genau dafür ist Vext gebaut, und zwar von der Privatsphäre her gedacht statt nachträglich angeschraubt: Spracherkennung, KI-Cleanup und Meeting-Transkription laufen auf deinem Mac, also verlässt weder Audio noch Transkript das Gerät. Dazu kommen die Wahl der Engine (Parakeet oder Apples Erkennung lokal, ein OpenAI-kompatibler Endpunkt, wenn du ihn ausdrücklich willst), ein eigenes Vokabular, das den KI-Durchlauf überlebt, Diktiermodi, die den Text auf sein Ziel zuschneiden, und Meeting-Transkription, die das Echo-Problem löst.

Standardmäßig keine Cloud, kein Konto, kein Abo und keine gesperrte Stufe — $49 einmalig, alle Funktionen inklusive.

brew install muvon/tap/vext

Fang aber beim Mikrofon an. Das ist kostenlos, dauert zehn Sekunden, und mehr Leute brauchen diese Korrektur als eine andere App.