Station 1, auf dem Rechner
Die Taste
Ein kleiner Wächter liest die Tastatur mit, über die Schnittstelle evdev, das ist der Weg, auf dem Linux Tastendrücke weitergibt. Er nimmt die Tastatur nicht für sich allein, sonst könnte niemand mehr tippen, solange Beo läuft.
Ab 0,25 Sekunden gilt ein Druck als Halten. Alles darunter ist ein Tipp und löst nichts aus.
Station 2, auf dem Rechner
Die Aufnahme
16.000 Abtastungen je Sekunde, ein Kanal, 16 Bit. Eine Abtastung ist eine Messung des Schalldrucks, 16.000 davon je Sekunde reichen für Sprache aus.
Das ergibt 32 Kilobyte je Sekunde. Die Grenze des Dienstes liegt bei 10 MB, das sind 5 Minuten und 27 Sekunden.
Beo stoppt aber schon nach fünf Minuten, und das ist eine Entscheidung, keine Beschränkung: Je länger die Aufnahme, desto länger dauert das Übertragen, und was in dieser Zeit gesprochen wird, nimmt niemand auf. Deshalb sagt Beo bei fünf Minuten an und stoppt 20 Sekunden später, bei 5:20. Die restlichen sieben Sekunden bis 5:27 sind Sicherheitsabstand: Ein Puffer, der genau eine Sekunde trägt, ist keiner.
Station 3, auf dem Rechner
Zu kurz?
Alles unter 8.000 Byte wird verworfen. Das sind genau die 0,25 Sekunden aus Station 1, nur in der Einheit der Datei gerechnet.
Ein Versehen verlässt den Rechner also nicht. Wer die Taste nur streift, sendet nichts.
Station 4, auf dem Rechner
Zu leise?
Der Spitzenpegel wird gemessen, also der lauteste Punkt der Aufnahme. Liegt er unter -33 Dezibel, wird die Aufnahme gelöscht und nichts gesendet. Zum Vergleich: ein stiller Raum liegt bei etwa -36 Dezibel.
Die Schwelle lag zuerst bei -25 Dezibel und hat echte Sprache verworfen. Deshalb wurde nachgemessen und gesenkt.
Station 5, im Netz
Die Sendung
Die Aufnahme geht auf dem Transportweg verschlüsselt an eine eigene Schnittstelle auf einem Server bei Hetzner in Deutschland. Verschlüsselt ist damit der Weg, nicht die Datei selbst.
Mitgeschickt wird die Tondatei und ein Geräteschlüssel. Sonst nichts: kein Name, kein Konto, keine Angabe darüber, in welchem Programm gerade geschrieben wird.
Station 6, im Netz
Die Erkennung
Der Server reicht die Aufnahme an Groq weiter, Modell whisper-large-v3. Der Server speichert dabei nichts, er leitet durch.
Das Erkennen selbst dauert bei 30 Sekunden Sprache etwa 0,16 Sekunden. Die Wartezeit, die man spürt, ist fast vollständig der Weg durchs Netz, nicht das Rechnen.
Station 7, auf dem Rechner
Der Text
Zurück kommt ausschließlich Text. Er geht in die Zwischenablage, dann drückt Beo Strg und V.
Deshalb steht der Text an der Cursorstelle, und deshalb funktioniert es in jedem Programm, auch im Terminal.
Station 8, auf dem Rechner
Danach
Die Tondatei auf dem Rechner wird gelöscht.
Auf dem Server liegt nichts, was gelöscht werden müsste, weil dort nie etwas abgelegt wurde.