Diktieren und Spracheingabe unter Linux
Am Mac und unter Windows drückt man eine Tastenkombination und diktiert. Unter Linux bringen die großen Desktops nichts Vergleichbares mit, du baust dir also selbst etwas zusammen oder installierst eine App. Die erste Frage ist dabei nicht, welche App, sondern welche Sitzung du gerade nutzt. Dieser Ratgeber erklärt, warum X11 und Wayland fürs Diktieren so viel ausmachen, welche Open-Source-Werkzeuge es gibt, wie es um Voice Monkeys unter Linux steht und wie du die typischen Probleme löst, einschließlich der AltGr-Falle auf deutschen Tastaturen.
Zuerst prüfen: X11 oder Wayland?
Ein Diktierprogramm muss zwei Dinge außerhalb seines eigenen Fensters tun: einen Hotkey bemerken, während ein anderes Programm den Fokus hat, und Text in dieses andere Programm einfügen. Unter X11 (Xorg) durften Anwendungen traditionell beides. Wayland wurde gebaut, um Anwendungen voneinander abzuschotten. Ein Programm kann dort nicht einfach alle Tastendrücke mitlesen oder in ein fremdes Fenster tippen. Für die Sicherheit ist das gut, fürs Diktieren unpraktisch.
Welche Sitzung du hast, siehst du im Terminal mit `echo $XDG_SESSION_TYPE`. Die Ausgabe ist `x11` oder `wayland`. Die meisten Desktops zeigen es zusätzlich unter „Info“ oder in den Systeminformationen.
- x11: Globale Hotkeys und simuliertes Tippen funktionieren in der Regel, die meisten Diktierwerkzeuge verhalten sich wie erwartet.
- wayland: Ein Werkzeug braucht einen Wayland-fähigen Tipp-Helfer oder zusätzliche Einrichtung, manche Apps laufen gar nicht.
Bietet deine Distribution noch eine X11-Sitzung an, wählst du sie meist auf dem Anmeldebildschirm: Benutzer anklicken, dann vor der Passworteingabe nach einem Sitzungsmenü suchen, oft ein Zahnrad-Symbol. Einige neuere Versionen haben X11-Sitzungen für bestimmte Desktops entfernt oder bauen sie gerade ab. Prüf also, was deine Distribution anbietet, bevor du dich darauf verlässt.
Welche Diktier-Optionen es für Linux gibt
Unter Linux gibt es zwei Lager: Open-Source-Werkzeuge zum Selberbauen und fertig verpackte Apps. Zwei bekannte Projekte zeigen, wie der Bastelweg aussieht.
nerd-dictation beschreibt sich als Offline-Spracherkennung für Desktop-Linux. Es nutzt die Erkennungsbibliothek VOSK mit einem Modell, das du herunterlädst, nimmt über PulseAudio, sox oder PipeWire auf und tippt das Ergebnis per simulierter Tastendrücke. Zum Tippen unterstützt es xdotool (nur X-Server, Standard), wtype (Wayland) sowie ydotool und dotool (X11 und Wayland, ydotool mit zusätzlicher Einrichtung). Die Lizenz ist GPL-3.0, gesteuert wird über die Kommandozeile, den Hotkey legst du selbst an.
whisper.cpp ist eine C/C++-Umsetzung von OpenAIs Spracherkennungsmodell Whisper, läuft offline auf der CPU, unter Linux und vielen anderen Plattformen, unter MIT-Lizenz. Es ist eher eine Engine als eine Diktier-App: Ein Echtzeit-Beispiel namens `whisper-stream` transkribiert das Mikrofon (beim Bauen mit SDL2), aber wie der Text in deine anderen Fenster kommt, ist deine Sache.
| Option | Wie der Text in die App kommt | Sitzung | Offline | Aufwand |
|---|---|---|---|---|
| nerd-dictation | Simulierte Tastendrücke (xdotool, wtype, ydotool, dotool) | X11; Wayland mit wtype oder ydotool/dotool | Ja, VOSK-Modell | Kommandozeile, Skripte |
| whisper.cpp | Eigene Skripte; das Stream-Beispiel gibt Text aus | Beliebig (Ausgabe regelst du) | Ja | Aus dem Quellcode bauen, hoch |
| Voice Monkeys | Taste halten, Text wird am Cursor eingefügt | Nur X11 | Optionales Offline-Modell; sonst Cloud | AppImage oder .deb installieren |
Voice Monkeys unter Linux: der ehrliche Stand
Voice Monkeys ist unsere eigene App, lies diesen Abschnitt also mit entsprechender Skepsis. Es gibt einen Linux-Build als AppImage und als .deb-Paket für Ubuntu und Debian. Nötig ist eine X11-Sitzung (Xorg): Unter Wayland blockiert das System den globalen Hotkey und das automatische Einfügen, dort funktioniert die App nicht. Der Linux-Build ist neu, behandle ihn als junge Version und melde, was hakt.
Im Alltag funktioniert es wie auf den anderen Systemen. Rechte Alt-Taste halten (in den Einstellungen änderbar), sprechen, loslassen, und der Text steht am Cursor, ob im Editor, im Terminal, im Browser oder im Chat. Ein kurzes Antippen startet den Freihandmodus bis zum nächsten Tippen, Esc bricht ab. Es erkennt 25 Sprachen am Klang, auch gemischt in einem Satz; mehr dazu unter in mehreren Sprachen diktieren.
Unter Linux ist es ein Cloud-Abo: 12 US-Dollar im Monat oder 96 im Jahr, mit einer 7-tägigen Testphase, für die eine Karte nötig ist. Enthalten sind 90 Stunden Diktat pro Monat und bis zu fünf Rechner, von denen jeweils einer diktiert. Derselbe Plan deckt also den Linux-Desktop und das Windows-Notebook ab. Standardmäßig geht dein Ton verschlüsselt an einen Server in Falkenstein, wird im Arbeitsspeicher in Text umgewandelt und verworfen; gespeichert werden weder Ton noch Text, nur die Zahl der Sekunden. Zu haben über die Seite zum Download. Wenn du auf Wayland festsitzt, ist nerd-dictation mit einem Wayland-Tipp-Helfer die realistischere Wahl.
AppImage oder .deb installieren
- AppImage: herunterladen, mit `chmod +x` und dem Dateinamen ausführbar machen, starten. Startet sie nicht und die Fehlermeldung erwähnt FUSE, installiere das FUSE-2-Kompatibilitätspaket deiner Distribution (unter Ubuntu meist libfuse2, auf neueren Versionen libfuse2t64).
- .deb (Ubuntu, Debian): mit `sudo apt install ./` und dem Dateinamen installieren, damit apt die Abhängigkeiten auflöst, dann aus dem Anwendungsmenü starten.
- In einer X11-Sitzung anmelden, bevor du die App das erste Mal startest, und mit `echo $XDG_SESSION_TYPE` gegenprüfen.
- Mikrofon auswählen in den Ton-Einstellungen deines Desktops oder mit einem Mixer wie pavucontrol, und prüfen, ob der Pegel beim Sprechen ausschlägt.
Die AltGr-Falle auf deutschen Tastaturen
Auf dem deutschen Tastaturlayout ist die rechte Alt-Taste keine normale Alt-Taste, sondern AltGr. Mit ihr tippst du @, €, eckige und geschweifte Klammern, den Backslash und die Tilde. Für Leute, die in der Konsole oder im Code-Editor arbeiten, ist das eine der meistbenutzten Tasten überhaupt.
Legst du das Diktat auf dieselbe Taste, kollidiert beides: Entweder startet beim Tippen von `{` plötzlich die Aufnahme, oder die Tastenkombination kommt nicht mehr an. Wähl deshalb gleich bei der Einrichtung eine andere Diktiertaste in den Einstellungen, etwa eine Taste, die du sonst nie brauchst. Das gilt übrigens genauso für die Windows-Version auf einem deutschen Laptop.
Das optionale Offline-Modell
Die Versionen für Windows und Linux können auch ein Offline-Modell nutzen, das du einmal herunterlädst (rund 640 MB). Danach läuft die Erkennung auf deinem eigenen Rechner, ohne dass Ton irgendwohin geschickt wird. Praktisch im ICE mit wackligem WLAN, im Funkloch auf dem Land oder wenn du Sprache grundsätzlich nicht an einen Server geben möchtest.
Ob es zu dir passt, hängt von deinem Rechner und deinen Sprachen ab. Probier beide Modi mit denselben Sätzen aus, zum Beispiel „Merge den Branch, wenn die Tests durch sind, und tagge das Release als Version zwei Punkt vier.“, und behalte den Modus mit weniger Korrekturen. Diktierst du lange Commit-Nachrichten oder Kommentare, hilft die Routine aus dem Ratgeber Diktieren für Autoren: Entwurf durchsprechen, dann in einem Durchgang überarbeiten. Ist Datenschutz der Grund für den Offline-Modus, erklärt ist Diktieren privat, welche Fragen du jedem Werkzeug stellen solltest.
Probleme unter Linux lösen
- Der Hotkey macht nichts: Erst die Sitzung prüfen. Unter Wayland sind globale Hotkeys normaler Apps blockiert; abmelden und, falls angeboten, eine X11-Sitzung wählen.
- Statt Diktat erscheinen Sonderzeichen: Das ist die AltGr-Kollision von oben. Eine andere Diktiertaste einstellen.
- Text wird erkannt, aber nicht eingefügt: Der Cursor muss in einem Textfeld stehen und das Zielfenster beim Loslassen den Fokus haben. Manche Terminal-Emulatoren fügen nur mit Strg+Umschalt+V ein, teste deshalb zuerst in einem einfachen Texteditor.
- Es kommt nichts an: Ton-Einstellungen oder pavucontrol öffnen, das richtige Eingabegerät wählen, auf den Pegel schauen. Bluetooth-Headsets tauchen manchmal als zwei Geräte auf; nimm das mit Mikrofon.
- Das AppImage startet nicht: Aus dem Terminal starten, um die Fehlermeldung zu sehen. Eine FUSE-Meldung heißt, dass das Kompatibilitätspaket fehlt.
Nutzt du nebenbei Windows, erklärt die Anleitung zur Diktierfunktion von Windows 11 die eingebaute Spracheingabe, und der Ratgeber Diktier-App für Windows vergleicht installierbare Programme.
Fragen und Antworten
Hat Linux eine eingebaute Diktierfunktion wie Mac oder Windows?
Die großen Linux-Desktops bringen keine systemweite Diktierfunktion mit, die mit der Mac-Diktierfunktion oder der Windows-Spracheingabe vergleichbar wäre. Du installierst eine App oder richtest ein Open-Source-Werkzeug wie nerd-dictation ein.
Läuft Voice Monkeys unter Wayland?
Nein. Wayland blockiert den globalen Hotkey und das automatische Einfügen, auf die Voice Monkeys angewiesen ist. Nutze eine X11-Sitzung (Xorg) und prüf sie mit echo $XDG_SESSION_TYPE.
Für welche Distributionen ist das .deb-Paket gedacht?
Für Ubuntu und Debian. Auf anderen Distributionen nimmst du das AppImage, ebenfalls in einer X11-Sitzung.
Kann ich unter Linux ohne Internet diktieren?
Ja. nerd-dictation und whisper.cpp laufen offline, und Voice Monkeys hat ein optionales Offline-Modell von rund 640 MB, das einmal heruntergeladen wird.
Gibt es eine kostenlose Lösung?
nerd-dictation (GPL-3.0) und whisper.cpp (MIT) sind kostenlos und Open Source. Sie brauchen mehr Einrichtung als eine fertige App, Hotkey und Texteingabe regelst du selbst.
Quellen
- nerd-dictation auf GitHub (Englisch) (geprüft 6. November 2026)
- whisper.cpp auf GitHub (Englisch) (geprüft 6. November 2026)