Sprachmodus
Sprechen statt Tippen — wie die Schleife läuft, welches Modell Speech-to-Text übernimmt, welches Text-to-Speech, und was die Datenschutzgrenze abdeckt.
3 Min. Lesezeit
Der Sprachmodus verwandelt den Composer in ein Mikrofon. Du sprichst, Tale transkribiert, der Agent antwortet in Text, und die Antwort wird laut vorgelesen. Die ganze Schleife ist freihändig — nützlich, wenn du unterwegs bist, fährst (legal), kochst oder schlicht müde vom Tippen bist.
Der Sprechpfad des Composers durchquert zwei Modell-Anbieter (Speech-to-Text, dann Text-to-Speech) und ein bis zwei Agent-Aufrufe dazwischen. Zu wissen, welcher Anbieter welches Stück des Audios hält, ist der Unterschied zwischen „das ist praktisch" und „das ist leichtsinnig" für die Daten deiner Org.
Wie der Sprachmodus läuft
Tipp auf das Mikrofonsymbol am Composer, und die Aufnahme startet; nochmal tippen stoppt sie. Tale lädt den Audioclip hoch, das Speech-to-Text-Modell transkribiert ihn, und das Transkript wird die nächste Nachricht im Chat — genau, als hättest du sie getippt. Der Agent antwortet in Text; sobald die Antwort fertig ist, routet Tale sie an ein Text-to-Speech-Modell und spielt das Audio zurück. Während die Antwort streamt, beendet Gestoppt die Wiedergabe vorzeitig; Sprachausgabe abspielen spielt die letzte Antwort erneut ab.
STT- und TTS-Übergaben
Zwei Modellwahlen zählen, und sie werden separat vom Chat-Modell konfiguriert. Speech-to-Text läuft einmal pro gesprochener Nachricht — das Audio wird hochgeladen, transkribiert, und das Transkript ist das, was der Agent sieht. Text-to-Speech läuft einmal pro Antwort — Tale teilt die Antwort in Sprachausgabe-Segmente und streamt Audio zurück. Der Agent selbst bleibt unverändert; der Sprachmodus ist ein Wrapper um denselben Composer.
Stimmen wählen
Jeder Agent kann in seinen Einstellungen eine bevorzugte Stimme festlegen; ohne agent-eigene Wahl nutzt der Sprachmodus die Standardstimme der Org. Stimmen sind an bestimmte TTS-Anbieter gebunden — den Anbieter zu wechseln wechselt die verfügbaren Stimmen. Nutzt ein Chat einen Agent, dessen Stimmen-Anbieter nicht mehr konfiguriert ist, fällt Tale auf die Standardstimme der Org zurück, statt die Antwort scheitern zu lassen.
Die Datenschutzgrenze
Der aufgezeichnete Audioclip verlässt dein Gerät. Er wird in Tales Speicher hochgeladen, an den konfigurierten Speech-to-Text-Anbieter gesendet, und das Transkript liegt zusammen mit den getippten Nachrichten im Chatverlauf. Das Audio selbst bleibt gemäß der Aufbewahrungspolicy der Org erhalten. Antworten gehen als Klartext an den Text-to-Speech-Anbieter hinaus; die Audio-Antwort wird auf dein Gerät gestreamt und standardmäßig nicht auf der Festplatte gespeichert.
Wann Sprache Text schlägt
Sprache ist schneller als Tippen für kurze, gesprächige Fragen und dramatisch langsamer für Code, Listen oder alles, was du herauskopieren würdest. Sprachantworten haben ein Chunk-Limit — lange Antworten brechen mittendrin ab und zeigen einen Hinweis. Greif zur Sprache, wenn die Antwort einmal gehört und vergessen wird; greif zum Text, wenn die Antwort überflogen oder gespeichert werden muss.
Wann du danach greifst
| Nutz … wenn | Sprachmodus | Text |
|---|---|---|
| Du hast die Hände voll und willst einen schnellen Fakt | ✓ | |
| Die Antwort wird eine lange Liste oder ein Codeblock | ✓ | |
| Die Antwort des Agents fließt in eine spätere schriftliche Arbeit | ✓ | |
| Du übst eine Sprache und willst sie hören | ✓ |
Wo das hineinpasst
Der Sprachmodus ist eine von drei Eingabeformen am selben Composer: Text (der Standard), Anhänge und Sprache. Die Datenschutz-Geschichte zählt hier am meisten, weil zwei zusätzliche Anbieter die Daten berühren — die nächste Lektüre ist daher Daten-Residenz auf Cloud oder Konfiguration → Anbieter auf selbst gehosteten Instanzen, je nachdem, welche Edition du betreibst.