Handy: Das kostenlose, lokale Speech-to-Text-Tool, das funktioniert

Open Source, datenschutzfreundlich und überraschend präzise — Handy ist eine Desktop-Speech-to-Text-App, die in aller Stille 28.000 GitHub-Sterne und eine WIRED-Empfehlung eingesammelt hat. Wir haben sie getestet, das Community-Feedback durchforstet und kommen zum Schluss: Für alle, die Datensouveränität über Bequemlichkeit stellen, ist Handy derzeit die beste kostenlose Option am Markt.

Was Handy ist

Entwickler CJ Pais baute Handy, nachdem er sich den Finger gebrochen hatte und nicht mehr tippen konnte. Seine Vision: ein radikal einfaches Werkzeug — Tastenkürzel drücken, sprechen, loslassen — und der transkribierte Text erscheint im aktiven Textfeld. Keine Cloud, kein Abo, keine Daten, die das Gerät verlassen.

Unter der Haube ist Handy eine Tauri-Anwendung — React mit TypeScript für das Einstellungs-UI, Rust für Systemintegration, Audioverarbeitung und ML-Inferenz. Zwei Modellfamilien stehen zur Wahl:

• Parakeet V3: CPU-optimiert, schnell, englisch-fokussiert. Die Standardeinstellung.
• Whisper (Small/Medium/Turbo/Large): GPU-beschleunigt bei verfügbarer Hardware, breitere Sprachunterstützung inklusive Deutsch.

Der Ablauf ist simpel: Stille wird via Silero VAD (Voice Activity Detection) gefiltert, das gewählte Modell transkribiert, das Ergebnis landet direkt in der aktiven Anwendung. Keine Zwischenschritte, kein Kopieren und Einfügen.

Was die Community sagt

Die Zahlen erzählen einen Teil der Geschichte: 28.200 GitHub-Sterne, 2.500 Forks, 765 Commits, und ein aktives Diskussionsforum, in dem Feature-Requests innerhalb von Stunden Maintainer-Antworten erhalten. Die aktuelle Version v0.9.4 erschien letzte Woche.

Justin Pot von WIRED testete Handy im Januar und war begeistert: "Ich kann Handy nicht genug empfehlen." Er stellte fest, dass Parakeet V3 laute Hintergrundmusik fehlerfrei herausfilterte und sogar französische und spanische Sätze korrekt transkribierte — beeindruckend für ein Modell, das offiziell nur Englisch unterstützt.

.NET-Entwickler Steven Giesel nutzt Handy täglich, um GitHub-Copilot-Prompts zu diktieren. Seine Erfahrung mit Deutsch ist besonders relevant: "Manchmal spreche ich Deutsch und Englisch gemischt in einem Satz, und das Tool erkennt beides recht gut."

ChengChing Lin verglich Handy auf Medium mit Wispr Flow und Typeless. Sein Fazit: Handy ist die beste kostenlose Option für kurze Sätze, aber die 2–5 Sekunden Latenz und die fehlende automatische Zeichensetzung machen Cloud-Alternativen für längere Texte attraktiver.

Die GitHub-Diskussionen zeigen eine engagierte Community. Zu den beliebtesten Feature-Requests gehören das Hochladen von Audiodateien für Batch-Transkription (54 Stimmen), ein anpassbares Overlay-UI und Live-Untertitel für Systemaudio. Maintainer CJ Pais antwortet persönlich auf die meisten Threads.

Wo Handy glänzt

Datenschutz ohne Kompromisse. Ihre Stimme verlässt nie Ihren Rechner. Für alle, die mit sensiblen Inhalten arbeiten — juristische Dokumente, medizinische Notizen, proprietärer Code — ist das der entscheidende Vorteil gegenüber Wispr Flow, Typeless oder Dragon.

Keine Kosten, keine Hürden. Kein Account, keine Abo-Stufe, kein Wortlimit. Herunterladen, Modell auswählen, losdiktieren. Der kommerzielle Speech-to-Text-Markt verlangt 12–30 $ pro Monat; Handy ist dauerhaft kostenlos.

Plattformübergreifend, konsistent. Windows, macOS und Linux erhalten dasselbe Tool. Homebrew-Cask- und Winget-Pakete machen die Installation trivial.

Erweiterbar per Design. Die MIT-Lizenz und Tauri-Architektur erlauben Forks, Erweiterungen und Integrationen. Eine Raycast-Erweiterung existiert bereits, um Handy vom Launcher aus zu steuern. CLI-Flags wie --toggle-transcription ermöglichen Scripting und Automatisierung.

Wo Handy schwächelt

Latenz. 2–5 Sekunden zwischen Sprechen und Texteingabe sind spürbar. Cloud-Tools liefern nahezu sofort Ergebnisse, weil die Inferenz auf Server-GPUs läuft, nicht auf Ihrer lokalen CPU.

Keine automatische Zeichensetzung. Handy liefert Rohtranskript. Kommas, Punkte und Fragezeichen setzen Sie selbst. Für schnelle Notizen ist das in Ordnung; für Artikel bedeutet es zusätzlichen Bearbeitungsaufwand.

Whisper-Modell-Abstürze. Die README räumt offen ein, dass Whisper-Modelle auf bestimmten Windows- und Linux-Konfigurationen abstürzen. Das Problem ist konfigurationsabhängig und betrifft nicht alle Systeme, bleibt aber ein bekannter Schwachpunkt.

Wayland-Unterstützung. Linux-Nutzer unter Wayland benötigen das wtype-Utility — und selbst dann wird die Unterstützung als "eingeschränkt" beschrieben.

Sprachmischung. Nutzer berichten, dass der Wechsel zwischen Deutsch, Englisch und Japanisch mitten im Satz das Modell verwirren kann — weniger zuverlässig als Cloud-Tools mit dedizierten multilingualen Pipelines.

Unser Fazit

Handy macht eine Sache und macht sie gut genug für eine Empfehlung. Es ist nicht das schnellste Tool und nicht das funktionsreichste. Aber es ist kostenlos, privat und Open Source — drei Eigenschaften, die in dem Maß an Bedeutung gewinnen, wie KI-Tools hinter Paywalls und Cloud-APIs verschwinden.

Für kurze Diktate — Slack-Nachrichten, Suchanfragen, Code-Kommentare, schnelle Notizen — ist Handy ideal. Für längere Texte empfiehlt sich die Kombination: ein Cloud-Tool wie Typeless für die Hauptarbeit, Handy für die Einzeiler. Wer Deutsch spricht, sollte das Whisper-Medium-Modell statt Parakeet V3 verwenden — für bessere Genauigkeit.

Der größere Trend ist bemerkenswert: Lokale KI-Tools holen auf. Handy, Ollama und vLLM beweisen, dass sinnvolle KI-Workloads kein Rechenzentrum mehr erfordern. Für KMUs, die sensible Daten nicht an US-Cloud-Anbieter senden können oder wollen, wird dieser Stack zunehmend praxistauglich.

---

Handy ist verfügbar unter handy.computer. Quellcode: github.com/cjpais/Handy.