Unisono

Transkribieren und Diktieren im Browser: Audio und Video in Text verwandeln, lesen, korrigieren und exportieren, und mit der Stimme schreiben. Alles ohne Installation und ohne eigenen Server. Du bringst deine eigenen API-Keys mit (BYOK: Bring Your Own Key), die Daten gehen direkt vom Browser zur gewählten Engine.

Unisono kann auch diktieren. Neben dem Transkribieren von Dateien und Besprechungen gibt es die Seite Diktat: sprechen, die KI räumt den Text auf (Stile wie Aufräumen, E-Mail, Chat oder Aktenvermerk), er liegt sofort in der Zwischenablage. Mit schwebendem Fenster über allen Programmen, Live-Mitschrift und Umformulieren. Mehr dazu im Abschnitt Diktat.

Auf dem Handy diktieren: Für Android gibt es dieselbe Idee als eigene App, unisono diktat: ein schwebender Button über jeder App, mit jeder Tastatur, mit Notizen und eigenen Keys. APK herunterladen.

Live ansehen: https://unisono-app-seven.vercel.app/

Inhalt

• Auf einen Blick · Schnellstart · Aufbau
• Diktieren: Diktat, Live mitschreiben, Schwebendes Fenster, Umformulieren, Langdiktat, Statistik
• Transkribieren: Fortschritt, Player und Redezeit, Suchen und Ersetzen, Mikrofonaufnahme, Segment-Editor, Export, Fachbegriffe
• Danach: Archiv, Projekte, Protokolle und Aufgaben, Meeting-Aufnahme
• Anbieter und Preise: Anbieter und Modelle, Grenzen, Preise, Preisvergleich API oder Abo
• Handy und Tablet · Datenschutz · Projektstruktur · Design anpassen · Ausblick

Auf einen Blick

Diktieren

• Diktat: sprechen, aufräumen lassen, kopieren. Sechs Stile, eigene Stile, Ersetzungsregeln, Verlauf und Statistik.
• Live mitschreiben: Der Text erscheint schon beim Sprechen (ElevenLabs, Deepgram, Mistral, Gladia), auch im schwebenden Fenster.
• Schwebendes Fenster über allen Programmen mit der Wolke oder der Welle, dazu Umformulieren und Langdiktat an Sprechpausen.

Transkribieren

• Viele Engines: Gladia, ElevenLabs (Scribe), AssemblyAI und Mistral (Voxtral) mit Sprechererkennung, dazu OpenAI, Groq, Deepgram, Soniox, Gemini, xAI, Azure, Together, OpenRouter, Scaleway, OVHcloud u. a. Jeder Anbieter hat in seiner Markenfarbe einen Punkt. Zur Auswahl stehen nur Engines, für die ein Key hinterlegt ist.
• Preise sichtbar: Neben jedem Modell steht der Listenpreis, bei der Spracherkennung in € pro Stunde Audio, bei der KI in € je 1 Mio. Token (Preise).
• Aufnehmen im Browser: Mikrofonaufnahme mit Pause, Pegel, Merkern und Absturzsicherung, am Handy als Vor-Ort-Ansicht.
• Meeting-Aufnahme (zuschaltbares Modul): Tab-Ton und eigenes Mikrofon, ohne Bot im Meeting.
• Player und Redezeit: einfarbige Wellenform, Sprecherspur, geteilter Balken mit Minuten und Prozent je Sprecher.
• Suchen und Ersetzen, Segment-Editor (Sprecher benennen, Text korrigieren, Abschnitte verbinden) und Fachbegriffe, die in passender Form an jede Engine gehen.
• Export: HTML-Seite (mit Audio, als PDF druckbar), Markdown, Text, SRT/VTT und Projektdatei.

Danach

• Zusammenfassung und Protokoll mit Vorlagen (Baubesprechung, Begehung, Telefonnotiz, Aktenvermerk) über Anthropic, OpenAI, Gemini, Mistral und andere.
• Aufgaben mit Verantwortlichen und Fristen, Projekte mit wiederkehrenden Personen.
• Archiv mit Suche und Kennzahlen; ohne Netz aufgenommene Dateien warten und werden später transkribiert.

Rundherum

• Läuft einfach so: index.html per Doppelklick öffnen. Kein Node.js, kein Server, keine Installation, keine Verbindung zu Google Fonts. Ideal für Dienstrechner.
• Hell und Dunkel, fest oder wie im Betriebssystem eingestellt.
• Datenschutz: Keys, Transkript und Einstellungen bleiben in deinem Browser und lassen sich dort jederzeit löschen.

Schnellstart

1. Repository herunterladen (Code → Download ZIP), entpacken und index.html im Browser öffnen, oder die Seite unter https://unisono-app-seven.vercel.app/ nutzen.
2. Beim ersten Start öffnet sich API-Keys. Mindestens einen Key eintragen und mit Prüfen testen. Das zeigt auch, ob der Anbieter Anfragen direkt aus dem Browser zulässt. Fürs Diktat reicht ein Key für die Spracherkennung (zum Beispiel ElevenLabs), zum Aufräumen kommt ein KI-Key dazu (zum Beispiel Anthropic).
3. Diktieren: Seite Diktat, den runden Knopf antippen (oder die Leertaste), sprechen, nochmal antippen. Der aufgeräumte Text ist kopiert. Mit Strg+V einfügen.
4. Transkribieren: Unter Transkribieren eine Datei ablegen (oder unter Aufnahme live aufnehmen), die Engine wählen (unter Optionen Modell, Sprache und Sprecher) und Mit … transkribieren.
5. Unter Transkript korrigieren, Sprecher benennen, zusammenfassen lassen und exportieren.

Aufbau

Links steht die Seitenleiste. Auf dem Handy gibt es unten eine Tab-Leiste mit Datei, Transkript, Aufnahme, Begriffe und Mehr; die API-Keys erreicht man dort über die Engine-Punkte oben rechts.

Seite	Inhalt
Diktat	Sprechen, aufräumen lassen, kopieren; Umformulieren; schwebendes Fenster; Stile, Verlauf, Statistik, Einstellungen. Siehe „Diktat“.
Aufnahme	Live aufnehmen (vor Ort, Diktat) mit Merkern; danach „Transkribieren“ oder „Aufnahme sichern“. Auf Handy und Tablet die Startseite. Mit eingeschaltetem Modul auch die Meeting-Aufnahme.
Transkribieren	Vorhandene Audio- oder Videodatei ablegen, Engine wählen, Optionen, Start. Während des Laufs der Fortschritt.
Transkript	Player, Transkript-Editor, Suche, Sprecher und Redezeit, Projekt, Zusammenfassung und Protokoll-Vorlagen, Aufgaben, Export.
Archiv	Alle Transkripte mit Suche und Kennzahlen; Dateien, die ohne Netz warten. Siehe „Archiv“.
Projekte	Projekte mit den Personen, die immer wieder vorkommen. Siehe „Projekte, Protokolle und Aufgaben“.
Fachbegriffe	Begriffsliste mit Import und Export, dazu Ersetzungsregeln für das Diktat.
API-Keys	Keys aller Anbieter, jeweils mit Prüfen, Entfernen und der Anleitung „So bekommst du einen Key“. Filter wie in der Android-App: Transkription, Umformulierung, Echtzeit, EU.
Einstellungen	Darstellung (Hell, Dunkel, Wie System), zusätzliche Module (Meeting-Aufnahme) sowie Daten und Datenschutz: Keys, Transkript, Archiv, Projekte, Aufnahme-Sicherung, Diktat-Verlauf und Diktat-Statistik einzeln löschen oder alles zurücksetzen.

Unten in der Seitenleiste stehen die Engines mit hinterlegtem Key. Auf den Seiten „Transkribieren“, „Diktat“ und bei der Zusammenfassung zeigen die Auswahllisten nur Anbieter mit Key; ein neu gespeicherter Key erscheint sofort.

Diktat

Auf der Seite Diktat sprichst du, die KI räumt den Text auf, und er liegt in der Zwischenablage. Dann mit Strg+V (am Mac ⌘V) in jedes Programm einfügen. Das ist die Browser-Fassung der Android-App unisono diktat. Die App bringt zusätzlich den schwebenden Button in jede andere App, die Mikrofon-Taste für SwiftKey und einen Ordner „Notizen“, in dem Gedanken nur als Text mit Datum und Uhrzeit landen.

Ablauf: aufnehmen → mit der gewählten Engine transkribieren (ohne Sprechertrennung, mit deinen Fachbegriffen) → mit dem gewählten Stil von einer KI deiner Wahl aufräumen → Ersetzungen anwenden → anzeigen, kopieren, im Verlauf merken.

• Bedienung: Antippen (Knopf oder Leertaste startet und beendet) oder Halten (Knopf oder Leertaste gedrückt halten, solange du sprichst). Esc verwirft. Die Leertaste gilt, solange die Seite „Diktat“ oder das schwebende Fenster den Fokus hat und kein Textfeld. Ein roter Punkt an „Diktat“ zeigt, dass eine Aufnahme läuft.

• Stile: Rohtext (nur das Transkript), Aufräumen, Wörtlich, E-Mail, Chat und Aktenvermerk, mit demselben Wortlaut wie in der Android-App. Unter Stile verwalten legst du eigene Stile an (Name und Anweisung), bearbeitest oder löschst sie; die eingebauten dienen als Vorlage für Kopien.

• Ergebnis: bei Aufräumen lässt sich zwischen aufgeräumtem Text und Rohtext umschalten, der Text ist direkt bearbeitbar. Neu aufräumen wendet einen anderen Stil auf dasselbe Diktat an, ohne neu zu sprechen.

• Zwischenablage: Das Ergebnis wird sofort kopiert (abschaltbar). Blockiert der Browser das, bleibt der Knopf Kopieren.

• Ersetzungen: Unter Fachbegriffe stehen feste Regeln „aus → in“ (ganzes Wort oder Teilstück, mit oder ohne Groß/Klein), die nach der KI auf den fertigen Text und auf den Rohtext laufen, von oben nach unten. Leeres Ziel löscht das Wort. Die Fachbegriffe selbst gehen als Hinweis an die Engine und zusätzlich an die KI, damit Namen wie gelistet geschrieben werden.

• Verlauf: die letzten 50 Diktate (Zeit, Stil, Text) mit Kopieren, Anzeigen und Löschen; löschbar unter Einstellungen → Daten und Datenschutz.

• Einstellungen der Seite: Engine (Standard: ElevenLabs, wenn ein Key da ist, sonst die erste Engine mit Key), Modell, Sprache, KI-Anbieter und -Modell (Standard Claude Haiku 5.5, schnell und günstig), automatisch kopieren, Langdiktat. ElevenLabs und Mistral antworten in einem Schritt, Gladia und AssemblyAI brauchen einige Sekunden länger.

• Mehr Anbieter für das Diktat: Für die Spracherkennung zusätzlich OpenAI, Groq, Together AI, Scaleway, OVHcloud, SiliconFlow, OpenRouter, xAI (Grok), Deepgram, Soniox, Google Gemini. AssemblyAI bietet neben den normalen Modellen ein Sync-Modell (eine Anfrage statt Hochladen und Warten, bis 20 Minuten, ohne Sprecher). Zum Aufräumen die KI von Anthropic, OpenAI, Groq, Google Gemini, Mistral, OpenRouter, Together AI, DeepInfra, xAI, DeepSeek, Cerebras, SiliconFlow, Scaleway oder OVHcloud. Wer einen Anbieter schon für die Spracherkennung eingetragen hat, nutzt denselben Key zum Aufräumen. Modelle und Adressen sind dieselben wie in der Android-App; bei Anbietern ohne feste Modellliste lädt Unisono die Liste des Anbieters, sobald ein Key da ist. Diese Engines gibt es auch für Dateien; dort ist „Sprecher erkennen“ für sie abgeschaltet, und die Grenzen des Anbieters (Größe, Länge) werden vor dem Upload geprüft.

Live mitschreiben (Echtzeit)

Mit ElevenLabs, Deepgram, Mistral oder Gladia als Engine gibt es unter „Einstellungen“ der Seite den Schalter Live mitschreiben. Dann geht das Mikrofon schon beim Sprechen an den Anbieter, und der Text erscheint unter dem Aufnahmeknopf und im schwebenden Fenster, während du redest. Beim Stopp ist der Rohtext sofort fertig; Aufräumen, Ersetzungen, Verlauf und Kopieren laufen wie gewohnt.

• Gladia: Solaria 1 (das einzige Live-Modell von Gladia). Unisono legt die Sitzung mit POST /v2/live?region=eu-west an, also in der EU-Region (die Voreinstellung von Gladia), und verbindet sich mit der Adresse aus der Antwort. Sprache und Fachbegriffe gehen mit; Pausen bestimmt Gladia (endpointing). Zum Beenden schickt Unisono stop_recording. Die Region gilt nur für Live; bei Dateien gibt Gladias Doku keine Region an, deshalb zeigt der Filter „EU“ Gladia weiterhin nicht.
• Modelle: Mistral Voxtral Mini Transcribe Realtime (voxtral-mini-transcribe-realtime-2602, Standard) und das neue voxtral-mini-transcribe-realtime-3-0 (Modell-ID von Mistrals Voxtral-3-Seite; mit einem Key noch nicht ausprobiert). Mistral erkennt die Sprache selbst und nimmt bei Echtzeit keine Fachbegriffe an. ElevenLabs Scribe v2 Realtime; Deepgram Nova-3 (mit „Automatisch erkennen“ folgt es mehreren Sprachen), Nova-2 und Flux (erkennt Sprechpausen). Bei Deepgram gilt die EU-Region aus „API-Keys“ auch live. Fachbegriffe gehen bei Nova-3 als Schlüsselbegriffe mit.
• Ausfall: Unisono nimmt nebenher wie immer auf. Bricht die Live-Verbindung ab oder kommt kein Text, wird die Aufnahme nach dem Stopp mit dem Modell aus „Modell“ transkribiert. Die Meldung nennt den Grund.
• Anmeldung: Ein Browser kann bei Live-Verbindungen keinen Key im Header mitschicken. Deepgram nimmt ihn deshalb, wie für Browser dokumentiert, im Protokoll-Feld der Verbindung entgegen. Bei Gladia kommt die Adresse mit Token aus der Sitzungsanfrage. Für ElevenLabs und Mistral holt Unisono mit dem Key zuerst ein kurzlebiges Token (bei Mistral POST /v1/client/sessions, etwa 15 Minuten gültig, an das Modell gebunden) und öffnet die Verbindung nur damit; bei Mistral geht es als Subprotokoll realtime mit. Die Nachrichten (session.update, input_audio.append, input_audio.flush, input_audio.end, transcription.text.delta, transcription.done) sind die des offiziellen Python-SDKs von Mistral.
• Das Audio geht als 16-kHz-PCM in Häppchen von etwa 0,1 Sekunden. Langdiktat ist bei „Live“ nicht nötig und ruht.
• Beim Umformulieren und auf der Seite „Aufnahme“ wird nicht live mitgeschrieben.

Schwebendes Fenster

Schwebendes Fenster öffnen (unter dem Aufnahmeknopf) setzt ein kleines Fenster über alle anderen Programme. Es sieht aus und funktioniert wie der schwebende Button der Android-App: eine Kugel (Wolke in fünf Farben oder Welle), die beim Sprechen auf die Lautstärke reagiert, beim Verarbeiten einen Spinner zeigt und danach kurz ein Häkchen oder Kreuz. Ein rundes Kreuz daneben verwirft die Aufnahme, ein langer Druck auf die Kugel öffnet das Menü (Diktieren oder Umformulieren, Stil bzw. Anweisung), und nach ein paar Sekunden ohne Nutzung wird die Kugel kleiner und durchsichtiger. Aussehen, Farbe und Verkleinern stellst du unter „Einstellungen“ der Seite Diktat ein; eine Vorschau der Kugel steht unter dem Aufnahmeknopf. Das Ergebnis erscheint darunter mit Kopieren. So diktierst du, während ein anderes Programm den Fokus hat: In das Programm klicken, im schwebenden Fenster aufnehmen, danach im Programm mit Strg+V einfügen. Das Ergebnis wird aus dem schwebenden Fenster heraus kopiert, weil der Browser dem Tab dahinter das Kopieren verbietet, solange er nicht den Fokus hat.

• Gibt es in Chrome und Edge ab Version 116 („Document Picture-in-Picture“). Firefox und Safari kennen es nicht; dort steht an der Stelle ein Hinweis und das Diktat bleibt in diesem Tab.
• Die Leertaste, Esc und der Knopf wirken im schwebenden Fenster wie auf der Seite. Der Tab „Unisono“ muss offen bleiben, er macht die Arbeit (Aufnahme, Transkription, KI).
• Ein Tastenkürzel, das auch bei einem anderen aktiven Programm greift, kann eine Webseite nicht anbieten; dafür wäre eine Browser-Erweiterung nötig.

Umformulieren

Oben auf der Seite von Diktieren auf Umformulieren umschalten. Dann gibt es ein Feld für den Text (einfügen, tippen, Aus Zwischenablage einfügen oder Ergebnis übernehmen für die nächste Runde) und eine Anweisung, die du sprichst („mach das kürzer und freundlicher“) oder tippst. Fertige Vorschläge (Kürzer fassen, Freundlicher, Förmlicher, Rechtschreibung korrigieren, Auf Englisch, Als Stichpunkte) führen sich mit einem Klick aus.

• Die KI wendet nur die Anweisung an und lässt Inhalt, Namen, Zahlen und Sprache sonst stehen. Deine Fachbegriffe und Ersetzungen gelten auch hier.
• Das Ergebnis lässt sich auf Vorher zurückschalten und landet mit der Anweisung im Verlauf. Es wird wie beim Diktat kopiert.
• Es braucht den Key des KI-Anbieters; ein Rohtext-Ersatz wie beim Diktat gibt es hier nicht.

Langdiktat

Bei Antippen teilt Unisono eine lange Aufnahme an Sprechpausen in Teile (mindestens 20 Sekunden und eine Pause von etwa einer Sekunde; ein Teil wird nie länger als etwa 90 Sekunden) und transkribiert jedes Teil schon, während du weiterredest. Beim Stopp ist der Text fast sofort da, und die KI räumt den ganzen Text in einem Durchgang auf. Die Anzeige nennt, wie viele Teile schon transkribiert sind. Ein fehlgeschlagener Teil wird einmal wiederholt. Bei Halten und beim Umformulieren wird nicht geteilt; unter „Einstellungen“ der Seite lässt sich das Langdiktat abschalten.

Statistik

Die Karte Statistik zählt wie die Android-App: Diktate, Wörter, Zeichen, gesprochene Zeit, Wörter je Diktat, Tempo (Wörter pro Minute), KI-Durchgänge (Aufräumen und Umformulieren), die Serie aufeinanderfolgender Tage, die Wörter dieses Monats und ein Balkendiagramm der letzten sieben Tage. Gesparte Zeit vergleicht mit dem Tippen von 40 Wörtern pro Minute. Alles bleibt im Browser; zurücksetzen geht in der Karte oder unter Einstellungen → Daten und Datenschutz.

Fortschritt während der Transkription

Nach dem Start zeigt Unisono die Schritte Vorbereiten → Hochladen → Verarbeiten → Fertig:

• Hochladen mit echtem Prozentwert, übertragenen MB, Tempo und geschätzter Restzeit – bei 50-MB-Besprechungen sieht man, dass es vorangeht.
• Verarbeiten mit der Zeit, die der Anbieter schon rechnet.
• Abbrechen stoppt Upload oder Warten sofort. Was schon beim Anbieter liegt, löscht er nach seinen eigenen Regeln.
• Solange eine Transkription läuft, warnt der Browser vor dem Schließen des Tabs.

Player, Sprecherspur und Redezeit

• Wellenform: einfarbig, der gespielte Teil dunkler. Darunter die Sprecherspur: ein Balken je Redeabschnitt in der Graustufe des Sprechers. Die Abspielposition läuft als Linie durch beide. Klicken oder ziehen springt an die Stelle, beim Überfahren stehen Zeit, Kürzel und Sprecher; mit dem Fokus auf der Zeitleiste springen ← / → um 5 Sekunden.
• Bedienung: Abspielen/Pause, 10 Sekunden zurück/vor, Geschwindigkeit 0,75× bis 2×, Mitlaufen scrollt zum gerade gesprochenen Abschnitt.
• Ohne Audiodatei (etwa nach dem Neuladen oder beim Öffnen einer Projektdatei) bleibt die Sprecherspur; ein Klick springt zum passenden Abschnitt im Text.
• Sprecher: Jeder Sprecher hat ein Kürzel aus zwei Buchstaben (z. B. „Bauleitung LBB“ → BL), das in Spur, Transkript und Redezeit gleich erscheint. Die vier Graustufen wiederholen sich ab dem fünften Sprecher, dann unterscheiden die Kürzel. Farbe steht in Unisono nur für eine Engine oder einen Status.
• Redezeit: ein geteilter Balken, darunter je Sprecher Minuten und Prozent, dazu die Pausen. Das zeigt, wer die Besprechung geprägt hat – und verrät, wenn die Erkennung eine Person in zwei Sprecher aufgeteilt hat (ein „Sprecher“ mit 1 %).
• Wellenform auch bei langen Aufnahmen: WAV wird blockweise gelesen, MP3 stückweise dekodiert (2:40 h WAV in etwa 1 s, 70 min MP3 in etwa 4 s). M4A, WebM und OGG müssten Browser komplett in den Speicher dekodieren; dort gibt es die Wellenform bis 20 Minuten, bei längeren Dateien die Sprecherspur.

Suchen & Ersetzen

Über dem Transkript (oder mit Strg+F bzw. ⌘F):

• Treffer werden direkt im Text markiert, Enter / Umschalt+Enter springt zum nächsten / vorigen.
• Nur Treffer blendet alle anderen Abschnitte aus.
• Ersetzen ändert den aktuellen Treffer, Alle ersetzen alle – praktisch, wenn der Anbieter einen Namen immer gleich falsch schreibt. Groß- und Kleinschreibung spielt beim Suchen keine Rolle.

Mikrofonaufnahme

Auf der Seite Aufnahme nimmst du Diktate oder Besprechungen direkt im Browser auf – mit Pause/Weiter, Zeitanzeige und Pegelanzeige. Ein roter Punkt zeigt die laufende Aufnahme. Während der Aufnahme bleibt der Bildschirm an (wo der Browser das erlaubt). Nach Stopp wird die Aufnahme wie eine hochgeladene Datei behandelt: Sie liegt im Player und kann über Transkribieren weiterverarbeitet oder über Aufnahme sichern als Audiodatei gespeichert werden. Während einer Aufnahme zeigt ein roter Punkt an „Aufnahme“ in der Navigation, dass sie läuft, auch wenn man auf einer anderen Seite ist.

• Format: Opus/WebM (Chrome, Edge, Firefox) bzw. AAC/M4A (Safari), ca. 0,5 MB pro Minute.
• Der Browser fragt beim ersten Mal nach der Mikrofon-Freigabe.
• Absturzsicher: Während der Aufnahme wird jede Sekunde im Browser (IndexedDB) gesichert. Wird der Tab geschlossen, neu geladen oder vom Handy beendet, bietet Unisono beim nächsten Öffnen an, die unterbrochene Aufnahme wiederherzustellen. Nach einem normalen Stopp wird die Sicherung gelöscht.
• Beim Schließen des Tabs warnt der Browser, solange eine Aufnahme läuft oder eine fertige Aufnahme weder transkribiert noch gesichert wurde.
• Im privaten Modus mancher Browser ist keine Sicherung möglich; die App weist beim Start der Aufnahme darauf hin.

Vor-Ort-Termine mit dem Handy

• Die Seite „Aufnahme“ ist die Vor-Ort-Ansicht: große Zeit, Pegel, darunter im Daumenbereich der große Button Merker setzen, darunter Pause und Stopp. Bildschirm abdunkeln schaltet auf einen fast schwarzen Bildschirm (spart Akku, blendet nicht); Tippen hellt wieder auf. Am PC gibt es zusätzlich eine Großansicht (Symbol oben rechts in der Karte).
• Nach dem Stopp steht die Karte Letzte Aufnahme oben, mit Transkribieren als nächstem Schritt und Aufnahme sichern.
• Merker: Ein Tipp setzt eine Zeitmarke, z. B. für einen Mangel oder eine Entscheidung. Nach der Transkription stehen die Merker in einer Liste (umbenennen, springen, entfernen), als Zeilen im Transkript und als Fahnen in der Wellenform. Weitere Merker lassen sich später beim Abhören über Merker im Player setzen. Sie landen in Projektdatei, HTML, Markdown und Text.
• Bildschirm nicht sperren: Handy-Browser schalten das Mikrofon ab, sobald der Bildschirm gesperrt oder die App gewechselt wird. Unisono hält den Bildschirm während der Aufnahme wach und weist darauf hin.
• Unterbrechungen: Passiert es doch, bleibt das Bisherige gesichert. Beim Zurückkehren nimmt Unisono in dieselbe Datei weiter auf (oder bietet Weiter aufnehmen an, wenn der Browser das Mikrofon nur nach einem Tipp freigibt). Die Lücke wird als Merker „Unterbrechung (… ohne Ton)“ vermerkt; Zeitanzeige und Merker bleiben dabei deckungsgleich mit der Audiodatei.

Segment-Editor

Das Transkript besteht aus Abschnitten (Segmenten) mit Sprecher, Zeitstempel und Text. Viele Anbieter – besonders Gladia – liefern sehr kleine Bruchstücke („Ja,“ / „gut.“). Unisono fasst direkt aufeinanderfolgende Bruchstücke desselben Sprechers automatisch zu Absätzen zusammen (Pause ≤ 2 s, Absatz ≤ 60 s); der Text bleibt dabei vollständig erhalten.

• Sprecher umbenennen: Unter „Sprecher und Redezeit“ z. B. „Sprecher A“ in „Projektleitung“ ändern . Alle Abschnitte dieses Sprechers und das Kürzel ändern sich sofort mit. Über Sprecher kommt ein weiterer hinzu.
• Sprecher zuordnen: Pro Abschnitt auf das Sprecherlabel klicken und einen anderen Sprecher wählen.
• Text korrigieren: Direkt im Abschnitt tippen.
• Zusammenführen / Löschen: Über die Symbole rechts im Abschnitt (beim Überfahren oder mit dem Fokus sichtbar).
• Click-to-Jump: Klick auf den Zeitstempel springt im Player an diese Stelle. Der gerade gesprochene Abschnitt wird hinterlegt und links markiert, Mitlaufen scrollt automatisch mit.
• Automatisch gespeichert: Das bearbeitete Transkript bleibt nach einem Neuladen der Seite erhalten. Die Audiodatei selbst wird nicht gespeichert und muss für den Player erneut geladen werden.
• Auch lange Aufnahmen: Eine echte Besprechung mit 348 Abschnitten öffnet und rendert in etwa einer Viertelsekunde.

Alle Exporte und die KI-Zusammenfassung verwenden den bearbeiteten Stand.

Export

Über Exportieren über dem Transkript:

Format	Wofür
HTML-Seite	Eigenständige Datei im Unisono-Stil (hell und dunkel) zum Lesen und Weitergeben. Optional mit eingebettetem Audio: Klick auf einen Zeitstempel spielt die Stelle ab. Im Browser über Drucken → Als PDF speichern sauber druckbar.
Markdown	Für Obsidian, Notion oder Wikis – mit Frontmatter (Titel, Datum, Quelle, Anbieter, Dauer, Sprecher, Tags).
Text	[Projektleitung - 00:01:12]: Guten Morgen … – zum Einfügen in E-Mail oder Word.
Untertitel SRT / VTT	Für Videos; VTT enthält die Sprechernamen.
Projektdatei (.unisono.json)	Speichert Transkript, Sprechernamen und Zusammenfassung. Über Öffnen später wieder laden und weiterbearbeiten. Die Audiodatei selbst ist nicht enthalten.

Die KI-Zusammenfassung wird in HTML, Markdown und Projektdatei mit exportiert (abschaltbar im Menü). Beim HTML-Export mit eingebettetem Audio wird die Datei etwa ein Drittel größer als das Audio; ab 25 MB Audio ist das Einbetten deshalb standardmäßig aus.

Fachbegriffe

Unter Fachbegriffe pflegst du eine Liste mit Namen, Firmen, Fachwörtern und Abkürzungen (ein Begriff pro Zeile, Zeilen mit # sind Kommentare). Die Liste bleibt im Browser gespeichert, lässt sich als .txt exportieren und aus .txt/.csv importieren. Bei jeder Transkription wird sie im jeweils passenden Format mitgeschickt:

Anbieter	Parameter	Grenzen
Gladia	custom_vocabulary_config	–
ElevenLabs	keyterms (nur Scribe v2)	max. 100 Begriffe à 50 Zeichen, ca. 30 % Aufpreis
AssemblyAI	keyterms_prompt (Universal-3.5 Pro), word_boost (Universal-2)	max. 1.000 Begriffe à 6 Wörter
Mistral	context_bias	max. 100 Begriffe (für Deutsch laut Mistral noch experimentell)

Unter „Transkribieren“ steht, wie viele Begriffe bei der gewählten Engine ankommen und welche wegen der Grenzen übersprungen werden. Dieselbe Seite enthält die Ersetzungen für das Diktat (siehe „Diktat“).

Archiv

• Automatisch: Jedes Transkript – frisch transkribiert, aus einer Projektdatei geöffnet oder aus dem Archiv – liegt im Archiv dieses Browsers und wird beim Bearbeiten mitgespeichert (Text, Sprechernamen, Merker, Zusammenfassung). Das Audio wird nur bei Aufnahmen aus der Warteschlange mitgespeichert, sonst wie bei Projektdateien nicht.
• Seite „Archiv“: Liste mit Datum, Länge, Sprechern, Wörtern und Engine, Suche in Titel, Text und Sprechernamen, Öffnen und Löschen. Öffnen ersetzt das offene Transkript; das bleibt aber selbst im Archiv.
• Kennzahlen: Anzahl der Transkripte, Audio gesamt, Wörter, dieser Monat und die Verteilung nach Engine.
• Jetzt aufnehmen, später transkribieren: Ist beim Start keine Verbindung da (oder bricht der Upload deshalb ab), wartet die Datei mit allen Einstellungen im Archiv. Sobald der Browser wieder online ist, wird sie automatisch transkribiert und landet samt Audio im Archiv; „Jetzt versuchen“ startet es von Hand.
• Auf dem Handy erreicht man das Archiv über Mehr → Archiv → Anzeigen. Das Archiv liegt in IndexedDB; im privaten Fenster ist es aus.

Projekte, Protokolle und Aufgaben

• Projekte und Personen: Auf der Seite Projekte legst du Projekte an und trägst die Personen ein, die immer wieder vorkommen, mit Rolle oder Firma („Frau Kaya, Bauherrin“). Ein Projekt ist das aktuelle; neue Transkripte gehören dazu (wählbar auch auf „Transkribieren“ und im Kopf des Transkripts). Die Namen des aktuellen Projekts gehen als Fachbegriffe an die Spracherkennung, auch im Diktat. Beim Benennen der Sprecher und bei Verantwortlichen schlägt Unisono sie vor, dazu „Ich“.
• Protokoll-Vorlagen: Unter „Zusammenfassung und Protokoll“ gibt es neben Stichpunkten, Zusammenfassung und Protokoll mit Aufgaben die Vorlagen Baubesprechung (nummerierte Punkte, Termine, Aufgabentabelle, Behinderungen und Nachträge), Begehung (Feststellungen nach Ort, Mängelliste, nach Merkern geordnet), Telefonnotiz und Aktenvermerk. Projekt, Datum, die Namen der Sprecher, die Personen des Projekts mit Rolle und die Merker gehen als Kontext mit, damit die KI sie nicht raten muss.
• Aufgaben: Die Karte Aufgaben sammelt, wer was bis wann tut. Aufgaben erkennen liest sie mit der KI aus dem Transkript (Anbieter und Modell wie bei der Zusammenfassung; schon vorhandene kommen nicht doppelt). Jede Aufgabe lässt sich ändern, abhaken, löschen oder von Hand anlegen; eine Frist ist ein Datum oder ein Text wie „nächste Woche“. Kopieren als Tabelle (Markdown) oder Speichern als CSV für Excel.

• Projekt und Aufgaben gehören zum Transkript: Sie stehen im Archiv (mit der Zahl offener Aufgaben, durchsuchbar), in der Projektdatei und im Markdown- und HTML-Export.

Meeting-Aufnahme (Modul)

Unter Einstellungen → Zusätzliche Module lässt sich die Meeting-Aufnahme einschalten. Dann gibt es auf der Seite „Aufnahme“ die Karte Meeting aufnehmen. Der Code dafür wird erst beim ersten Klick geladen.

• Aufgenommen wird der Ton eines Web-Meetings ohne Bot im Meeting: ein Browser-Tab (Teams, Zoom, Meet im Browser, beim Teilen „Tab-Audio teilen“ eingeschaltet lassen) oder unter Windows der Bildschirm mit Systemton für die Desktop-App. Dazu kommt dein Mikrofon; beides landet gemischt in einer Datei. Am Mac kann der Browser keinen Systemton aufnehmen; dort geht nur ein Tab.
• Vor dem Start bestätigst du, dass alle Teilnehmer wissen, dass aufgenommen wird, und einverstanden sind. Das nichtöffentlich gesprochene Wort heimlich aufzunehmen ist strafbar (§ 201 StGB).
• Während der Aufnahme zeigt die Karte die Zeit und die Pegel von Meeting und Mikrofon. „Freigabe beenden“ in der Leiste des Browsers beendet die Aufnahme ebenfalls.
• Danach geht die Datei wie gewohnt auf „Transkribieren“, mit eingeschalteter Sprechertrennung. Unisono hat sich alle 0,2 Sekunden gemerkt, ob dein Mikrofon lauter war als das Meeting. Der Sprecher, der überwiegend in diesen Momenten spricht, heißt nach dem Transkribieren „Ich“. Dafür braucht es eine Engine mit Sprechertrennung (Gladia, ElevenLabs, AssemblyAI, Mistral, OpenAI mit gpt-4o-transcribe-diarize). Mit Kopfhörern klappt die Trennung am zuverlässigsten.
• Die Meeting-Aufnahme wird nicht laufend gesichert wie die Aufnahme vor Ort; nach dem Stopp lässt sie sich mit Aufnahme speichern herunterladen.

Anbieter & Modelle

Anbieter	Modelle	Ablauf
Gladia (v2)	solaria-3 (DE/EN/FR/ES/IT, feste Sprache nötig), solaria-1 (100+ Sprachen)	Upload → /v2/pre-recorded → Polling
ElevenLabs (Scribe)	scribe_v2, scribe_v1	Synchroner Upload an /v1/speech-to-text
AssemblyAI	universal-3-5-pro, universal-2	Upload → /v2/transcript → Polling
AssemblyAI (Sync-Modell)	universal-3-5-pro-sync	Eine Anfrage an /v1/transcribe, bis 20 Minuten und 256 MB, ohne Sprecher; derselbe Key und dieselbe Region wie AssemblyAI
Mistral (Voxtral)	voxtral-mini-latest, voxtral-small-transcribe-3-0, voxtral-mini-transcribe-3-0	Synchroner Upload an /v1/audio/transcriptions mit Sprechertrennung und Segment-Zeitstempeln (Sprache wird automatisch erkannt)

Live mitschreiben geht mit ElevenLabs, Deepgram, Mistral und Gladia, siehe „Live mitschreiben (Echtzeit)“. Sprechererkennung (Diarization) ist bei diesen Anbietern aktivierbar, außerdem bei OpenAI mit dem Modell gpt-4o-transcribe-diarize. Die übrigen Engines liefern Text ohne Sprecher; der Haken ist bei ihnen gesperrt.

Region, Endpunkt und eigene Server

Manche Anbieter brauchen in ihrer Zeile unter „API-Keys“ mehr als einen Key. Unisono speichert diese Angaben wie die Keys nur in diesem Browser.

Anbieter	Einstellung	Hinweis
AssemblyAI	Region Standard oder EU (Dublin)	Gilt auch für das Sync-Modell. Derselbe Key.
Soniox	Region Standard oder EU	Der Key muss aus einem EU-Projekt der Soniox-Konsole stammen.
Deepgram	Region Standard oder EU	Derselbe Key.
OpenRouter	Region Standard oder EU	Nur für Firmenkonten (Enterprise); gilt für Spracherkennung und Aufräumen.
Microsoft Azure	Endpunkt der eigenen Speech-Ressource	MAI-Transcribe 2 (mit Stil „clean“) und 1.5. MAI läuft nur in East US, West US, West US 2, North Europe, Southeast Asia und Central India; North Europe hält die Daten in der EU.
Ollama	Adresse, z. B. http://localhost:11434/v1/	Ohne Key. Ollama muss Anfragen von dieser Seite erlauben (Umgebungsvariable OLLAMA_ORIGINS).
Eigener Server	Adresse und Modell für die Spracherkennung	Jeder Server mit OpenAI-kompatibler Schnittstelle (z. B. Speaches, LocalAI, vLLM), für Spracherkennung und Aufräumen; Key nur, falls der Server einen verlangt.

Gemini hat zusätzlich das Modell gemini-3.5-transcribe. Es läuft über die Interactions-API im Modus „smart“ und lässt Füllwörter und Versprecher weg.

Ein Server auf dem eigenen Rechner muss Anfragen von der Adresse der Seite zulassen (CORS). Chrome fragt außerdem beim ersten Zugriff einer Webseite auf das lokale Netzwerk nach der Erlaubnis. Eine http://-Adresse außerhalb von localhost blockiert der Browser auf einer https-Seite meist; sie würde Key und Audio auch unverschlüsselt schicken.

Jeder Anbieter hat einen Punkt in seiner Markenfarbe (Farbton aus dem offiziellen Logo, gedeckt im Ton von Unisono) in Chips, Fortschrittslinie, Seitenleiste und unter „API-Keys“: Mistral Orange, ElevenLabs weiß, xAI schwarz, Gladia Violett, AssemblyAI Kobaltblau und so weiter. Logos erscheinen nur klein und neutral neben dem Namen unter „API-Keys“. Die Marken gehören ihren Inhabern und kennzeichnen hier nur den jeweiligen Dienst; Quellen stehen in js/brand-logos.js.

Zusammenfassung und Protokoll

Jede KI mit Key unter „API-Keys“ (Anthropic, OpenAI, Gemini, Mistral, Ollama, …) kann zusammenfassen; das Modell ist frei wählbar. Bei Anthropic geht die Anfrage direkt aus dem Browser über den Header anthropic-dangerous-direct-browser-access. Verarbeitet wird immer der aktuelle (ggf. von dir korrigierte) Text. Dieselben Keys nutzt das Aufräumen im Diktat.

Grenzen der Anbieter

Vor dem Upload prüft Unisono Dateigröße und Länge gegen die Grenzen des gewählten Anbieters und schlägt passende Alternativen vor – so schlägt nichts erst nach einem langen Upload fehl.

Anbieter	Max. Dateigröße	Max. Länge
Gladia	1.000 MB	2:15 h (Enterprise: 4:15 h)
ElevenLabs	3 GB	10 h
AssemblyAI	2,2 GB	10 h
Mistral	keine Vorabprüfung	keine Vorabprüfung
Microsoft Azure	300 MB	2 h

Besprechungen von 1–2 Stunden (typisch 40–60 MB) passen bei allen Anbietern.

Preise der Spracherkennung

Die App zeigt den Preis neben jedem Modell in der Modellauswahl (Datei) und in der Auswahl der Echtzeit-Modelle, mit 2 bis 4 Nachkommastellen und ohne überflüssige Nullen. Die Daten stehen in js/prices.js; die Android-App führt dieselben Werte in ModelPrices.kt.

Quelle: die Preisseiten der Anbieter, abgerufen am 21.10.2026, normale Pay-as-you-go-Preise, Dollarpreise umgerechnet mit 1 € = 1,1215 $ (Gladia, Scaleway und OVHcloud listen in Euro). Aufpreise für Sprechertrennung oder Fachbegriffe sind nicht enthalten. „ca.“ steht bei gerechneten, geschätzten oder nur aus Drittquellen belegten Werten (Token-Preise, Aktionspreise, „ab“-Preise). Wo kein Preis gefunden wurde, zeigt die App keinen.

Datei

Anbieter	Modell	€/h
OpenRouter	openai/whisper-large-v3-turbo	0,0096
OpenRouter	openai/whisper-large-v3	0,0257
OpenRouter	nvidia/parakeet-tdt-0.6b-v3	0,0802
OpenRouter	microsoft/mai-transcribe-2	0,0892
OpenRouter	openai/gpt-transcribe	0,2407
OpenRouter	elevenlabs/scribe-v2	0,1958
OpenRouter	x-ai/grok-stt-1.0	0,0899
OpenRouter	mistralai/voxtral-mini-transcribe	0,1605
OpenRouter	google/gemini-3.5-transcribe	ca. 0,2675
OpenRouter	deepgram/nova-3	ca. 0,2311
OpenRouter	assemblyai/universal-3-6-pro	ca. 0,2664
Groq	whisper-large-v3-turbo	0,0357
Groq	whisper-large-v3	0,099
OVHcloud	whisper-large-v3-turbo	0,046
OVHcloud	whisper-large-v3	0,147
Scaleway	whisper-large-v3	0,18
Together AI	openai/whisper-large-v3	0,0802
Together AI	nvidia/parakeet-tdt-0.6b-v3	0,0802
xAI	grok-voice-transcribe-2.0	ca. 0,0892
Soniox	stt-async-v5	ca. 0,087
Azure	mai-transcribe-2	0,0892
Azure	mai-transcribe-1.5	0,321
AssemblyAI	universal-2	0,1337
AssemblyAI	universal-3-5-pro	0,1872
AssemblyAI	universal-3-5-pro-sync	ca. 0,4012
Gladia	solaria-3	0,16
Gladia	solaria-1	0,27

Echtzeit

Anbieter	Modell	€/h
Soniox	stt-rt-v5	0,107
AssemblyAI	universal-streaming-english	0,1337
AssemblyAI	universal-streaming-multilingual	0,1337
AssemblyAI	universal-3-6-pro	0,4012
xAI	grok-voice-transcribe-2.0	ca. 0,1783
Deepgram	nova-2	0,3121
Deepgram	nova-3	ca. 0,2568
Deepgram	flux-general-en	ca. 0,3477
Deepgram	flux-general-multi	0,4173
ElevenLabs	scribe_v2_realtime	0,3477
Mistral	voxtral-mini-transcribe-realtime-3-0	0,428
Mistral	voxtral-mini-transcribe-realtime-2602	ca. 0,428
Gladia	solaria-1	0,68

Text-Modelle (Aufräumen, Umformulieren, Zusammenfassen)

Neben jedem Text-Modell steht Eingabe / Ausgabe in € je 1 Million Token („0,09 / 0,45 €/M“). Es sind die normalen Pay-as-you-go-Preise vom 21.10.2026 für kurze Prompts, ohne Batch-, Cache- und Prioritäts-Tarife; Dollarpreise mit 1 € = 1,1215 $ umgerechnet, Scaleway und OVHcloud listen in Euro. Ein Diktat von einer Stunde Text sind grob 10.000 bis 15.000 Token Ausgabe, also meist wenige Cent. „ca.“ steht bei Modell-IDs, die der Anbieter nicht ausdrücklich nennt (aus dem Namen abgeleitet), und bei Werten aus Drittquellen.

Gestaffelt oder befristet:

• OpenAI GPT-6/5.6/5.5/5.4: Preise bis 272.000 Token Eingabe, darüber höher (zum Beispiel gpt-6-luna 0,20 / 0,75 $).
• Anthropic Haiku 5.5: bis 100.000 Token Prompt 0,10 / 0,50 $, darüber 0,50 / 2,50 $.
• Gemini 3.6 und 3.8 Flash: Einführungspreis bis 31.12.2026, ab 1.1.2027 1,50 / 7,50 $. Gemini 4 Argon: bis 30.11.2026 2 / 10 $, danach 4 / 20 $.
• DeepSeek: Spitzenzeit-Preis (Mo bis Fr 01 bis 04 und 06 bis 10 Uhr UTC); außerhalb halb so teuer.
• xAI: ab 200.000 Token Prompt der doppelte Preis.
• Cerebras: Preis für gpt-oss-120b aus einer Drittquelle, die Preisseite nennt keinen.
• OpenRouter: Anbieterpreise ohne Aufschlag; dazu kommen 5,5 % Gebühr beim Aufladen. Die Anzeige hängt deshalb „+5,5 %“ hinter jeden OpenRouter-Preis, bei Spracherkennung und bei Text-Modellen. Die Auswahl sind die meistgenutzten Modelle vom 20.10.2026.
• OVHcloud: Mistral-Small-3.2 und Mistral-Nemo werden zum 04.11.2026 abgeschaltet.

Ohne Preis: Cerebras qwen-3.8-27b, Groq llama-Modelle (nur auf Anfrage), SiliconFlow (die Preisseite nennt keine Währung und keine IDs), Together AI (die Preisseite nennt keine IDs; nur gpt-oss-120b ist sicher zugeordnet). Ollama und eigene Server sind kostenlos.

Anbieter	Modell	Eingabe / Ausgabe in € je 1 Mio. Token
Anthropic	claude-fable-5	ca. 8,9166 / 44,5831
Anthropic	claude-fable-5-1	8,9166 / 44,5831
Anthropic	claude-haiku-4-5	ca. 0,8917 / 4,4583
Anthropic	claude-haiku-5-5	0,0892 / 0,4458
Anthropic	claude-opus-4-5	ca. 4,4583 / 22,2916
Anthropic	claude-opus-4-6	ca. 4,4583 / 22,2916
Anthropic	claude-opus-4-7	ca. 4,4583 / 22,2916
Anthropic	claude-opus-4-8	ca. 4,4583 / 22,2916
Anthropic	claude-opus-5	ca. 4,4583 / 22,2916
Anthropic	claude-opus-5-5	3,5667 / 17,8333
Anthropic	claude-sonnet-4-5	ca. 2,675 / 13,3749
Anthropic	claude-sonnet-4-6	ca. 2,675 / 13,3749
Anthropic	claude-sonnet-5	ca. 1,7833 / 8,9166
Anthropic	claude-sonnet-5-5	1,7833 / 8,9166
Cerebras	gpt-oss-120b	ca. 0,3121 / 0,6687
DeepInfra	anthropic/claude-haiku-4-5	0,8917 / 4,4583
DeepInfra	anthropic/claude-sonnet-5	2,675 / 13,3749
DeepInfra	deepseek-ai/deepseek-r1-0528	0,4458 / 1,9171
DeepInfra	deepseek-ai/deepseek-v3.2	0,2318 / 0,3388
DeepInfra	deepseek-ai/deepseek-v4-flash	0,0802 / 0,1605
DeepInfra	deepseek-ai/deepseek-v4-flash-0731	0,0535 / 0,1605
DeepInfra	deepseek-ai/deepseek-v4-pro	1,1592 / 2,3183
DeepInfra	google/gemini-2.5-flash	0,2675 / 2,2292
DeepInfra	google/gemma-4-31b-it	0,1783 / 0,3567
DeepInfra	meta-llama/llama-3.3-70b-instruct-turbo

Nicht gefunden

AssemblyAI Universal-3 Pro, SiliconFlow (SenseVoice wird nach Zeichen abgerechnet), Deepgram Nova-2 und Flux für Dateien, die Preise des Aufräumens mit KI-Modellen (Token-Preise, nicht recherchiert). Groq rechnet mindestens 10 s je Anfrage ab, Scaleway gibt 60 Minuten frei, OpenRouter erhebt 5,5 % beim Aufladen; Deepgram Nova-3 und Flux Streaming sind derzeit Aktionspreise.

Preisvergleich: API oder Abo?

Was kosten 20, 50 oder 100 Stunden Transkription im Monat, wenn du direkt über die API bezahlst (Unisono mit eigenem Key) oder ein Abo nimmst? Die API-Preise sind die Listenpreise aus der Tabelle „Preise der Spracherkennung“ unten, Stand 21.10.2026. Die Abo-Preise stammen teils aus Vergleichsseiten und sind vor einem Kauf zu prüfen. Alles in USD pro Monat, ein Tarif pro Anbieter.

• Bis etwa 20 Stunden ist die API immer billiger als ein Abo.
• Bei 50 Stunden liegen Gladia (8,97 $) und TurboScribe (10 $) vorn; Mistral und AssemblyAI folgen mit 10,50 $.
• Ab 100 Stunden sind die Flatrate-Abos von TurboScribe, Wispr Flow und HiNotes (10 bis 16,58 $) günstiger als jede API; Gladia liegt bei 17,94 $.

Handy und Tablet

Auf schmalen Bildschirmen ersetzt eine Tab-Leiste unten die Seitenleiste, Karten stehen untereinander.

Datenschutz

• Es gibt keinen Server von Unisono. Audio und Keys gehen nur an den Anbieter, den du auswählst.
• API-Keys, Anbieter-Einstellungen (Region, Adressen), Projekte mit Personen, das zuletzt bearbeitete Transkript, Fachbegriffe, Ersetzungen, eigene Diktat-Stile, der Diktat-Verlauf, die Diktat-Statistik und Einstellungen liegen im localStorage dieses Browsers; die Sicherung einer laufenden Aufnahme sowie Archiv und Warteschlange (Transkripte, bei Warteschlangen-Aufnahmen auch das Audio) liegen in IndexedDB.
• Alles lässt sich unter Einstellungen → Daten und Datenschutz einzeln löschen oder komplett zurücksetzen.
• API-Keys im Browser sind nur für den eigenen, privaten Gebrauch gedacht – die Seite nicht mit eingetragenen Keys öffentlich hosten.

Projektstruktur

index.html              Layout: Seitenleiste, Seiten (Views), Icon-Sprite, Tab-Leiste
favicon.svg             Bildmarke als App-Icon
DESIGN.md               Designregeln von Unisono (zuerst lesen)
css/tokens.css          Design-Tokens: Farben, Schrift, Abstände, Radien, Tiefe, Bewegung; Hell und Dunkel
css/app.css             Komponenten, ausschließlich aus den Tokens gebaut
fonts/                  Manrope, Inter, IBM Plex Mono (woff2, SIL Open Font License, siehe fonts/OFL.txt)
js/state.js             Zentraler State: Segmente, Sprecher, Rohdaten, Autosave
js/segment-editor.js    Segmente, Sprecherlabels und Kürzel, Redezeit, Player-Sync
js/markers.js           Merker: Liste, Zeilen im Transkript, Merker im Player setzen
js/player.js            Player-Bedienung, Wellenform und Sprecherspur
js/search.js            Suchen und Ersetzen mit Markierung im Text
js/progress.js          Fortschrittsanzeige mit Upload-Prozent und Abbrechen
js/icons.js             Linien-Icons aus dem Sprite in index.html
js/prices.js            Listenpreise der Modelle in € pro Stunde (mit Node testbar)
js/brand-logos.js       Logos der Anbieter als SVG
js/export.js            HTML, Markdown, TXT, SRT, VTT und Projektdatei aus dem bearbeiteten Stand
js/vocabulary.js        Fachbegriffsliste: Pflege, Speicherung, Import/Export, Anbieter-Grenzen
js/recorder.js          Mikrofonaufnahme, Pegel, Pause, Merker, Großansicht, Weiteraufnahme nach Unterbrechung
js/recording-backup.js  Laufende Sicherung der Aufnahme in IndexedDB, Wiederherstellung
js/summary.js           Zusammenfassung und Protokoll-Vorlagen, `complete()` auch für das Diktat
js/protocol-core.js     Vorlagen, Aufgaben (lesen, Markdown, CSV), „Ich“ bei Meetings – ohne Seite, mit Node-Tests
js/tasks.js             Karte „Aufgaben“ im Transkript
js/people.js            Projekte und Personen, Seite „Projekte“
js/meeting.js           Meeting-Aufnahme (Modul, wird erst bei Bedarf geladen)
js/dictation-core.js    Diktat ohne Seite: Stile, KI-Anweisungen, Ersetzungsregeln, Verlauf, Teilung an Pausen, Statistik (mit Node testbar)
js/dictation.js         Seite „Diktat“: Aufnahme, Langdiktat, Ablauf, Umformulieren, Stile, Verlauf, Statistik, Ersetzungen
js/orbs.js              Kugeln Wolke (WebGL-Shader) und Welle (Canvas) wie im Android-Button
js/dictation-mini.js    Schwebendes Fenster (Document Picture-in-Picture) für das Diktat
js/archive-core.js      Archiv ohne Seite: Einträge, Suche, Kennzahlen (mit Node testbar)
js/archive.js           Archiv und Warteschlange „später transkribieren“ (IndexedDB) mit der Seite „Archiv“
tests/                  `node tests/<name>.test.js` für dictation-core, archive-core, protocol-core, realtime und prices
js/appearance.js        Hell, Dunkel oder wie System, wird vor dem ersten Zeichnen gesetzt
js/settings.js          Seite „Einstellungen“: Darstellung, Daten löschen
js/app.js               Seiten, Keys, Engine-Auswahl, Datei-Upload, Ablauf der Transkription
js/apis/common.js       Gemeinsame HTTP-Helfer: Upload mit Fortschritt, Polling, Abbrechen
js/apis/*.js            Je ein Modul pro Engine (Gladia, ElevenLabs, AssemblyAI, Mistral, weitere in dictation-engines.js, KI in llm.js)
js/apis/realtime.js     Live-Transkription: Mikrofon als 16-kHz-PCM über WebSocket (ElevenLabs, Deepgram, Mistral, Gladia)
docs/screenshots/       Bilder für diese README

Die Skripte werden bewusst als klassische <script defer>-Dateien geladen und nicht als ES-Module: Browser blockieren ES-Module, wenn eine Seite per Doppelklick (file://) geöffnet wird. Die Module teilen sich das globale Objekt window.Unisono. Eine neue Engine wird als Datei unter js/apis/ angelegt, registriert sich in Unisono.apis und wird in index.html eingebunden. Ihre Farbe (Farbton der Marke, gedeckt wie Salbei und Fjord) kommt aus einem Token in css/tokens.css bzw. --pk in css/app.css unter „Provider colors“.

Design anpassen

Grundlage ist das Designsystem in DESIGN.md:

• css/tokens.css enthält alle Werte. Hell ist Standard, Dunkel greift über die Systemeinstellung oder data-theme="dark" am <html>.
• css/app.css baut die Komponenten nur aus diesen Variablen: keine eigenen Farben, Schatten, Radien oder Schriftgrößen.
• Icons sind eigene Linien-Icons (24er-Raster, Strich 1,5) als <symbol> in index.html.

Die JavaScript-Dateien greifen über Element-IDs (z. B. start-btn, segment-list, vocab-text) auf die Seite zu. Solange diese erhalten bleiben, lässt sich das Layout frei ändern.

Hinweise

• Schriften liegen im Ordner fonts/, die App lädt nichts von Google oder anderen CDNs.
• Schlägt eine Anfrage mit „Netzwerk- oder CORS-Fehler“ fehl, blockiert der Anbieter direkte Browser-Anfragen. Prüfen unter „API-Keys“ zeigt das vorab.
• Umbenennung: Die App hieß früher „Scribe Studio“. Keys und Einstellungen unter dem alten Namen werden nicht übernommen und beim ersten Start entfernt; alte .scribe.json-Projekte lassen sich nicht mehr öffnen.

Ausblick

Umgesetzt:

• Etappe 4a – Vor Ort (mobil), siehe „Vor-Ort-Termine mit dem Handy“.
• Diktat im Browser mit schwebendem Fenster, Umformulieren, Langdiktat, Ersetzungsregeln, Verlauf und Statistik, siehe „Diktat“.
• Viele Anbieter für Spracherkennung und Aufräumen, mit Filtern (Transkription, Umformulierung, Echtzeit, EU) auf der Seite „API-Keys“; Auswahllisten zeigen nur Anbieter mit Key.
• Echtzeit im Diktat: Live mitschreiben mit ElevenLabs, Deepgram, Mistral und Gladia, auch im schwebenden Fenster, siehe „Live mitschreiben (Echtzeit)“.
• Etappe 3: Archiv mit Suche und Kennzahlen, „jetzt aufnehmen, später transkribieren“, siehe „Archiv“.
• Etappe 4b: Meeting-Aufnahme ohne Bot als zuschaltbares Modul, eigenes Mikrofon als „Ich“, siehe „Meeting-Aufnahme (Modul)“.
• Etappe 5: Protokoll-Vorlagen, Aufgabenliste mit Verantwortlichen und Fristen, Projekte mit wiederkehrenden Personen, siehe „Projekte, Protokolle und Aufgaben“.
• Preise und Farben: Listenpreise neben jedem Modell (€ pro Stunde bei der Spracherkennung, € je 1 Mio. Token bei der KI), ein Punkt in der Markenfarbe je Anbieter und der Preisvergleich „API oder Abo“.
• Anbieter-Feinschliff: EU-Region für AssemblyAI, Soniox, Deepgram und OpenRouter, Microsoft Azure (MAI-Transcribe), Ollama und eigene Server, Sprechertrennung bei OpenAI, Gemini im Modus „smart“, siehe „Region, Endpunkt und eigene Server“.

Als Nächstes:

• Echtzeit, weitere Schritte: live mitschreiben auch auf der Seite „Aufnahme“ (mit Sprechern bei Deepgram) und mit weiteren Anbietern, die es können (Soniox, AssemblyAI, OpenAI, Gemini, xAI).
• Mit echten Keys zu prüfen: ob Cerebras und Scaleway Anfragen direkt aus dem Browser zulassen („Prüfen“ unter „API-Keys“).
• Ideen danach: Meeting-Aufnahme laufend sichern wie die Aufnahme vor Ort; Aufgaben über alle Transkripte eines Projekts hinweg; eigene Protokoll-Vorlagen.