Sprich mit deinem Rechner: ein Voice-AI-Overlay für Diktat, Vorlesen und Erklären
Wie aus zwei kleinen NixOS-Skripten eine plattformübergreifende Voice-AI-App in Rust wurde, Diktat, Vorlesen und Erklären per Tastenkürzel, mit den Daten so nah wie möglich am eigenen Rechner.
Diktieren, vorlesen lassen, erklären lassen, per Tastenkürzel, auf jedem Text, den du gerade markiert hast. Genau das macht lazy-allrounder: eine plattformübergreifende Voice-AI-App in Rust, die als kleines schwebendes Symbol am Bildschirmrand sitzt und Sprache in deinen Arbeitsalltag holt, ohne dass du dafür ein Fenster wechseln musst. Wie sie entstanden ist und was ein Betrieb daraus mitnehmen kann, steht hier.
Ein Overlay, fünf Modi
Ein Voice-AI-Overlay ist ein dauerhaft sichtbares Bedienelement, das auf allen Anwendungen liegt und per globalem Tastenkürzel eine KI-Aktion auf den aktuellen Text auslöst. Konkret sind das fünf Modi:
- Vorlesen, markierter Text wird laut gesprochen, mit einstellbarer Geschwindigkeit.
- Zusammenfassen, aus einer langen Passage wird das Wesentliche.
- Erklären, ein schwieriger Absatz wird verständlich umformuliert.
- Fragen, du stellst eine Frage zum markierten Text und bekommst die Antwort gesprochen.
- Diktieren, du sprichst, und der Text landet dort, wo dein Cursor steht.
Der Clou ist, dass das in vielen unterstützten Anwendungen funktioniert: E-Mail, Browser, PDF, Editor. Der Overlay greift zuerst auf die aktuelle Textauswahl zu, mit der Zwischenablage als Fallback. Kein Copy-Paste in ein separates Chat-Fenster, die KI kommt zum Text, nicht umgekehrt.
Von zwei NixOS-Skripten zu einer App für alle Systeme
lazy-allrounder ist nicht auf der grünen Wiese entstanden, sondern aus zwei kleineren Projekten, die je eine Hälfte lösten. whisper-nix war mein Diktat-Werkzeug für NixOS: schnelles, kostenloses Sprache-zu-Text über die freie Whisper-Schnittstelle von Groq. lazy-reader-nix war die andere Richtung: markierten Text mit lokaler Piper-Sprachausgabe vorlesen, dazu Erklär- und Zusammenfass-Modi.
Beide liefen gut, aber nur auf meinem NixOS-Rechner. Der Schritt zu lazy-allrounder war, beide Ideen in einer App für Windows, macOS und Linux zu vereinen. Das ist ein Muster, das sich lohnt: Ein Werkzeug erst klein und spezifisch bauen, im Alltag benutzen, und erst dann verallgemeinern, wenn klar ist, was es wirklich können muss. Der umgekehrte Weg, groß und universal starten, endet meistens in einem Baukasten, den niemand nutzt.
Rust, damit es leicht bleibt und überall läuft
Die App ist bewusst in Rust geschrieben, weil das zwei Dinge gleichzeitig löst. Erstens zielt derselbe Code als native Anwendung auf Windows, macOS und Linux; Installer-Artefakte wie Setup-Datei, DMG, DEB, AppImage und Nix-Build werden derzeit zur verlässlichen Release-Reife gebracht. Zweitens bleibt sie ressourcenschonend: ein kleines Symbol, das erst dann rechnet, wenn du ein Kürzel drückst, und Audio direkt abspielt, ohne temporäre Dateien anzulegen.
Die eigentliche Intelligenz kommt über OpenRouter, Sprache-zu-Text, Text-zu-Sprache und die Textmodelle laufen als austauschbare Bausteine. Das heißt auch: Wird ein Modell besser oder günstiger, tausche ich eine Zeile in der Konfiguration, nicht die App.
Datenschutz: nur die Auswahl verlässt den Rechner
Je nach Modus geht nur der ausgewählte Text oder das aufgenommene Audio an den konfigurierten Anbieter, nicht der ganze Bildschirm oder Dateien im Hintergrund. Der API-Schlüssel liegt im System-Schlüsselbund statt in einer offenen Konfigurationsdatei. Und weil der Anbieter frei wählbar ist, lässt sich der Overlay auf passende Dienste oder ein selbst gehostetes Modell umstellen. Das ist dieselbe Datensparsamkeit, die ich auch bei KI-Agenten für kleine Betriebe als Grundregel setze.
Was das für einen Betrieb bedeutet
Sprache ist eine der unaufwändigsten Arten, KI in den Arbeitsalltag zu bringen, und eine, die nebenbei die Barrierefreiheit verbessert, weil Vorlesen und Diktieren vielen Menschen die Arbeit erst leicht machen. So etwas muss kein Riesenprojekt sein: ein kleines Desktop-Werkzeug, das genau einen wiederkehrenden Handgriff abnimmt, oder ein Baustein in einer größeren KI-Automatisierung.
Dass die ganze Werkzeugkette reproduzierbar und wartbar bleibt, verdanke ich demselben Fundament wie meine übrige Infrastruktur, mehr dazu im Beitrag über NixOS für kleine Teams. Wenn du eine Idee hast, wo Sprache dir oder deinem Team Zeit sparen würde: schreib mir, und ich sage dir ehrlich, ob sich ein eigenes Werkzeug dafür lohnt.
Häufige Fragen
Was kann so ein Voice-AI-Overlay konkret?
Es sitzt als kleines Symbol am Bildschirmrand und reagiert auf Tastenkürzel: markierten Text vorlesen, zusammenfassen, erklären, eine Frage dazu stellen, oder umgekehrt gesprochenes Wort in Text verwandeln (Diktat). Alles auf dem Text, den du gerade markiert oder kopiert hast, in jeder Anwendung.
Gehen meine Texte dabei in die Cloud?
Nur der Ausschnitt, den du gerade bearbeitest, geht an das Sprachmodell, nicht dein ganzer Bildschirm und keine Dateien im Hintergrund. Der API-Schlüssel liegt im System-Schlüsselbund, nicht in einer Textdatei. Für sensible Inhalte lässt sich der Anbieter frei wählen oder ein lokales Modell einsetzen.
Läuft das nur auf Linux?
Nein. Die App ist in Rust geschrieben und zielt auf Windows, macOS und Linux. Installer-Artefakte existieren für diese Plattformen; die verlässliche Release-Reife ist noch in Arbeit. Es gibt eine grafische und eine Kommandozeilen-Variante.