Speak Mode vorgestellt: AI-Sprachübersetzung, die im Meeting für dich spricht

Es gibt einen bestimmten, schmerzhaften Moment, den jede Nicht-Muttersprachlerin und jeder Nicht-Muttersprachler in einem mehrsprachigen Meeting kennt. Die Diskussion läuft schnell. Untertitel scrollen über deinen Bildschirm. Du verstehst alles perfekt — Gaavala übersetzt seit zwanzig Minuten die andere Seite, und du folgst Wort für Wort. Jemand dreht sich zu dir und stellt eine direkte Frage.

Und dann wird die Sprachbarriere, die bis eben einseitig war, zur Wand.

Du kennst die Antwort. Du weißt genau, was du sagen willst. Du kannst es nur nicht mit derselben Geschwindigkeit und Präzision in der Arbeitssprache des Meetings sagen. Du zögerst, milderst ab, vereinfachst — und klingst am Ende weniger informiert, als du bist. Bis du einen sorgfältigen Satz zusammengesetzt hast, ist das Gespräch weitergezogen.

Wir haben Speak Mode gebaut, um diese Schleife zu schließen. Ist Speak Mode aktiv, sprichst du in deiner Muttersprache, und Gaavala spricht deine übersetzte Stimme zurück ins Meeting. Die anderen Teilnehmenden hören eine flüssige Echtzeit-Stimme, die deine Antwort in ihrer Sprache ausliefert. Du hörst auf, die stille Person im Raum zu sein.

Dieser Beitrag geht genau durch, was Speak Mode tut, welche eine Taste ihn steuert und welche zwei Gesten sie liest, zwischen welchen zwei Stimmen du wählen kannst — 69 Studio-Presets oder ein nativer Klon deiner eigenen Stimme — und welche Abwägungen du kennen solltest, bevor du ihn für einen Call mit hohem Einsatz aktivierst.

Was Speak Mode tatsächlich tut

Speak Mode ist keine Synchronspur, die über ein Transkript gelegt wird. Es ist eine bidirektionale Live-Sprachpipeline, die neben dem bestehenden Transkriptionsablauf von Gaavala läuft.

Aktivierst du ihn während eines Meetings, passiert Folgendes in deinem Browser:

Die Extension erfasst dein Mikrofon-Audio — getrennt vom Tab-Audio, das Gaavala für die eingehende Seite ohnehin schon erfasst.
Dieses Mikrofon-Audio streamt für die Spracherkennung direkt über einen WebSocket zu Soniox. Das ist dasselbe Direktmuster zu Soniox, das der Rest von Gaavala nutzt — kein Audio berührt unser Backend.
Sobald Soniox feststehende Tokens in deiner Ausgangssprache ausgibt, bündelt die Extension sie zu kurzen Phrasen und schickt den Text an Gaavalas Übersetzungsschritt für die von dir eingestellte Zielsprache.
Der übersetzte Text geht an die von dir gewählte TTS-Engine, die daraus einen Sprachclip synthetisiert.
Dieser Sprachclip geht anstelle deiner ausgehenden Mikrofonspur in den Call, alle hören also die übersetzte Stimme, als wäre es deine eigene. Es gibt kein virtuelles Mikrofongerät zu installieren und nichts in den Audioeinstellungen deiner Meeting-App auszuwählen — und während die übersetzte Stimme läuft, ist dein echtes Mikrofon stumm, damit der Call nie beides gleichzeitig hört.

Die gesamte Schleife läuft, während du noch sprichst. Bis du einen Satz in deiner Sprache beendet hast, läuft die synthetisierte Übersetzung in ihrer schon. Du wartest auf keine "Übersetzen"-Schaltfläche. Du machst zwischen Gedanken keine längeren Pausen als sonst.

Eine Taste, die die Geste liest

Echte Meetings sind nicht alle gleich, also muss sich Speak Mode anders verhalten, wenn du eine einzeilige Antwort zurückschießt, als wenn du jemanden durch eine Folie führst. Die meisten Tools lösen das mit einem Modus-Wähler, den du einstellen musst, bevor du ihn brauchst — was heißt: In dem Moment, in dem du den anderen Modus brauchst, bist du im falschen.

Gaavala hat keinen Modus-Wähler. Es gibt eine Speak-Taste, und sie liest, wie du sie drückst.

Halt sie gedrückt

Hältst du die Taste, sprichst du nur, solange du hältst. Lässt du los, schließt die Pipeline sauber. Das ist die Walkie-Talkie-Geste, und sie ist die sichere: Du sendest nie versehentlich einen Nebenkommentar, ein Husten oder einen Moment lauten Nachdenkens. Sie ist der richtige Reflex für einen kurzen Einwurf, für Calls mit hohem Einsatz, in denen Präzision vor Fluss geht, und für jeden Raum, in dem dein Mikrofon Stimmen aufnehmen könnte, die du nicht übersetzen wolltest.

Halten geht auch über die Tastatur — drück die Leertaste und halte sie etwa eine Drittelsekunde, und sie verhält sich genau wie das Halten der Taste.

Tipp sie an

Tippst du die Taste stattdessen an, öffnet sie ein freihändiges 60-Sekunden-Fenster. Ein Ring zählt das Fenster in Minuten und Sekunden herunter und wird für die letzten zehn bernsteinfarben, du weißt also immer, wie viel von deinem Zug übrig ist, ohne auf eine Uhr zu schauen. Sprich natürlich; Gaavala übersetzt und spricht jede Phrase im Verlauf, und du fasst nichts an.

Zwei schnelle Antipper öffnen stattdessen ein 30-Sekunden-Fenster — die ehrliche Länge für einen kurzen vorbereiteten Punkt. Tipp während eines laufenden Fensters noch einmal, und es endet früher; sonst endet es bei null von selbst.

Warum das ein Bedienelement ist und nicht zwei

Die Geste, die du ohnehin machst, kodiert die Absicht. Ein kurzes Drücken heißt "nur das hier", ein Antippen heißt "gib mir eine Weile". Nichts muss vorab konfiguriert werden, nichts steht im falschen Modus, wenn der Moment kommt, und es gibt keinen Hotkey zu belegen oder zu vergessen. Die Sicherheitseigenschaft, die Leute an Push-to-Talk mochten — nichts verlässt den Raum, wenn du es nicht so gemeint hast —, gilt für das Halten weiterhin genau so.

Die Stimmen: 69 Studio-Presets und deine eigene

Speak Mode gibt dir zwei Wege, die Stimme zu wählen, die das Meeting hört. Beide sprechen alle 60 Sprachen, die Gaavala übersetzt, und beide bleiben auf demselben Direktpfad zu Soniox, den der Rest von Gaavala nutzt — kein Drittanbieter für Stimmen in der Schleife.

69 Soniox-Studio-Stimmen (Pro-Standard)

Soniox-Studio-Stimmen sind in Pro der Standard und die Einstellung, die die meisten nie ändern müssen: 69 mehrsprachige Presets, die alle 60 Sprachen sprechen, die Gaavala übersetzt, sprachübergreifend, mit einem verwalteten Schlüssel — es gibt nichts einzurichten. Die Synthese geht direkt aus dem Browser zu Soniox, mit demselben Muster kurzlebiger Schlüssel wie die Untertitel, der übersetzte Text läuft also nie über Gaavalas Backend. Die Latenz ist streamend — die Stimme beginnt zu spielen, sobald das erste Stück bereit ist, typischerweise eine bis zwei Sekunden, nachdem eine Phrase feststeht.

Deine eigene Stimme (nativer Klon)

Nimm einmal im Seitenpanel etwa 20 Sekunden deiner eigenen Sprache auf, und Gaavala baut einen persönlichen Stimmklon — Soniox-basiert —, der dieselben 60 Sprachen spricht wie eine Studio-Stimme, in deiner eigenen Klangfarbe statt in einem Preset. Die Referenzprobe wird verschlüsselt gespeichert, und du kannst sie jederzeit im selben Einstellungsbildschirm löschen; dein Meeting-Audio selbst wird nie gespeichert, weder bei dieser Funktion noch irgendwo sonst in Gaavala.

Die beiden Optionen wägen genau eine Sache gegeneinander ab: Vertrautheit. Eine Studio-Stimme klingt ab der ersten Sitzung geschliffen und neutral. Dein eigener Klon braucht zwanzig Sekunden Einrichtung und klingt danach jedes Mal unverkennbar nach dir — nützlich, wenn du wiederkehrende Calls mit denselben Kunden oder Teammitgliedern führst und willst, dass sie Call für Call dieselbe Stimme hören.

Wie es sich zum Rest des Marktes verhält

Echtzeit-Sprachübersetzung in Meetings ist seit Jahren eine "demnächst"-Funktion. Ein paar Dinge existieren, aber keines davon deckt dasselbe Feld ab wie Speak Mode.

Microsoft Teams Interpreter Agent. Microsoft hat für Teams einen Interpreter Agent angekündigt, der übersetzen und mit der Stimme einer Nutzerin sprechen kann. Er existiert nur in Teams. Er verlangt eine Microsoft-365-Copilot-Lizenz — ein bezahltes Add-on pro Platz zusätzlich zu einem qualifizierenden Basisplan — und hängt an Tenant-Administratoren, die Copilot für die Organisation freigeschaltet haben. Lebst du in einer Copilot-lizenzierten Teams-Landschaft, ist er eine legitime Option. Arbeitest du über Teams, Zoom, Meet und Webex hinweg mit Kunden außerhalb deines Tenants, hilft er nicht.
ChatGPT Voice Mode. ChatGPT kann ein Sprachgespräch mit dir führen, und es kann übersetzen. Was es nicht kann: in deinem Zoom-Call sitzen und stellvertretend für dich zu anderen Teilnehmenden sprechen. Es ist ein persönlicher Sprach-Chatbot, kein Meeting-Sprachagent.
Übersetzte Untertitel in Google Meet. Google Meet hat übersetzte Untertitel in Echtzeit. Sie sind reiner Text. Auf der anderen Seite gibt es keine gesprochene Ausgabe.
Interprefy, KUDO und Enterprise-Dolmetschplattformen. Das sind echte Dolmetschdienste — meist menschliche Dolmetscher, manchmal mit AI-Unterstützung — im Preis und im Zuschnitt auf große Konferenzen und regulierte Branchen ausgelegt. Nichts, was eine einzelne Beraterin einem Eins-zu-eins-Vertriebscall hinzufügt.

Soweit wir sehen, gibt es am Markt kein Tool zu Endkundenpreisen, das echte bidirektionale Sprachübersetzung innerhalb der Meeting-Plattformen leistet, die Menschen tatsächlich nutzen. Speak Mode ist unsere Antwort auf diese Lücke.

Für wen Speak Mode gedacht ist

Speak Mode ist eine Pro-Funktion und für einzelne Berufstätige bepreist, nicht für Enterprise-Rollouts. Am meisten holen diese Menschen heraus:

Internationale Beratende, die Projekt-Calls mit Kunden führen, deren Englisch begrenzt ist und die dich lieber in ihrer eigenen Sprache hören, als sich durch deine zu kämpfen.
Mehrsprachige Team-Leads, die Standups mit Offshore-Entwicklungsteams halten, in denen die eine Hälfte in der einen und die andere Hälfte in einer anderen Sprache denkt.
Vertriebsleute in ausländischen Märkten, wo eine flüssig klingende Stimme in der Sprache des Kunden verändert, wie sich der Call anfühlt und wie das Angebot ankommt.
Menschen im Außenbetrieb, die zwischen einem Offshore-Standort und der Zentrale vermitteln, wo ein Missverständnis operative und nicht bloß soziale Folgen hat.

Sind deine Meetings vollständig zweisprachig in einem einzigen Paar und kommen alle mit, brauchst du Speak Mode wahrscheinlich nicht. Gibt es einen wiederkehrenden Moment, in dem du oder jemand auf der anderen Seite verstummt, weil die Sprachlücke einseitig ist, ist das die Funktion, die genau diesen Moment behebt.

Datenschutz: was sich ändert und was nicht

Gaavalas grundlegende Datenschutz-Architektur ändert sich nicht, wenn du Speak Mode aktivierst. Eingehendes Meeting-Audio streamt weiterhin direkt aus deinem Browser zu Soniox, über einen WebSocket, der unser Backend nie berührt. Dein Mikrofon-Audio für Speak Mode folgt demselben Direktmuster zu Soniox — wir sehen es nie.

Der TTS-Schritt folgt bei beiden Stimmoptionen demselben Muster. Soniox-Studio-Stimmen schicken den übersetzten Text direkt aus dem Browser zu Soniox, authentifiziert mit denselben kurzlebigen temporären Schlüsseln, die auch die Untertitel nutzen — Gaavalas Backend sieht weder den Text noch das Audio. Deine eigene geklonte Stimme wird genauso synthetisiert, mit einer bewussten, engen Ausnahme davor: Die ~20-Sekunden-Referenzprobe, die du zum Aufbau des Klons aufnimmst, wird verschlüsselt (AES-256-GCM) auf Gaavalas Servern gespeichert, ausschließlich zum Aufbau und Erhalt deiner Stimme genutzt und ist jederzeit auf Anfrage löschbar. Sonst wird von Speak Modes Audio nichts gespeichert — weder dein Mikrofonsignal noch das Meeting-Audio noch die synthetisierte Ausgabe.

Gaavalas Backend bleibt bei beiden Stimmoptionen außerhalb des Audiopfads. Willst du das nachprüfen, funktioniert weiterhin derselbe Netzwerk-Trick aus unserem Datenschutz-Beitrag: Öffne die DevTools der Background Page der Extension, filtere den Network-Tab, und du siehst eine direkte Verbindung zu Soniox — und keinen Audio-Verkehr zu gaavala.com.

So aktivierst du es

Speak Mode ist eine reine Pro-Funktion. Gaavalas kostenloser Test (einmalig 5 Minuten, keine Kreditkarte, setzt sich nie zurück) enthält Speak Mode nicht, der Einrichtungsablauf sieht also ungefähr so aus:

Installiere Gaavala kostenlos aus dem Chrome Web Store und melde dich an.
Steig im Seitenpanel auf Pro um — $19.99/Monat, keine Testphase — steig direkt um, wenn du Speak Mode brauchst.
Öffne die Einstellungen im Seitenpanel und such den Speak-Mode-Bereich.
Wähl eine Stimme. Soniox-Studio-Stimmen sind in Pro der Standard und brauchen keine Einrichtung. Willst du in deiner eigenen Stimme sprechen, wähl "Clone my voice" (Meine Stimme klonen) und nimm eine ~20-Sekunden-Probe auf — Gaavala baut deinen Klon, und du kannst ihn Augenblicke später auswählen.
Stell die Zielsprache für das Meeting ein. Es gibt keinen Erfassungsmodus zu wählen — die Speak-Taste liest deine Geste, es muss also nichts vorab entschieden werden.

Dann tritt einem Meeting bei. Halt die Speak-Taste gedrückt, wenn du eine Sache sagen willst, oder tipp sie an für ein freihändiges Fenster, wenn du eine längere Passage zu liefern hast.

Praxistipps für den Einsatz

Ein paar praktische Anmerkungen aus Entwicklung und Eigennutzung:

Wärm dich mit Halten auf. Wenn du zum ersten Mal deine synthetisierte Stimme in ein Meeting spielen hörst, fühlt sich das seltsam an. Halte die Taste in deinen ersten Calls, bevor du für freihändige Fenster antippst. Dein Gespür dafür, wann du pausierst, wie laut du sprichst und wie die übersetzte Stimme auf der anderen Seite ankommt, kalibriert sich schnell — aber nur, wenn du jeden einzelnen Ausstoß kontrollierst.
Klone nur deine eigene Stimme. Der Aufnahmeablauf im Seitenpanel baut einen Klon ausschließlich aus einer Probe, die du von dir selbst aufnimmst — es gibt über Speak Mode keinen Weg, die Stimme einer anderen Person zu klonen, und der Einwilligungsschritt in der App bildet das ab.
Sag es, wenn es zählt. Hat dein Meeting Compliance-Folgen — juristisch, medizinisch, regulierter Vertrieb —, sag der anderen Seite, dass eine Echtzeit-Sprachübersetzungsschicht im Call ist. Es ist dieselbe Etikette wie beim Offenlegen eines Transkriptionstools.
Lass den Originalton an. Gaavala speist das ursprüngliche Meeting-Audio weiterhin zu deinen Lautsprechern. Du solltest die eingehende Seite weiterhin hören und lesen. Speak Mode ist die ausgehende Hälfte, kein Ersatz dafür, zu verstehen, was zu dir gesagt wird.

FAQ

Weiß das Meeting, dass ich es nutze? Nicht direkt. Die synthetisierte Stimme kommt auf der anderen Seite über denselben Mikrofonkanal an, den du auch selbst nutzen würdest, es gibt also kein Banner und keine Metadaten. Die andere Seite hört eine sehr flüssige Stimme und bemerkt womöglich kleine Pausen vor jeder Antwort. Wir empfehlen, es offenzulegen, wenn es zählt — siehe die Etikette-Anmerkung oben.

Kann ich meine eigene geklonte Stimme nutzen? Ja — nativ, in Pro. Nimm in den Speak-Mode-Einstellungen des Seitenpanels eine ~20-Sekunden-Probe auf, und Gaavala baut einen Soniox-basierten Klon, den du als deine Speak-Mode-Stimme auswählen kannst. Kein separates Konto und kein API-Schlüssel nötig.

Wie hoch ist die Latenz? Sowohl die Studio-Stimmen als auch dein eigener Klon nutzen denselben streamenden Syntheseweg direkt aus dem Browser zu Soniox. Rechne damit, dass die Stimme innerhalb von ein bis zwei Sekunden zu spielen beginnt, nachdem eine Phrase feststeht — du wartest nicht darauf, dass der ganze Satz gerendert ist, bevor das Meeting etwas hört.

Was, wenn meine Zielsprache nicht Englisch ist? Beide Stimmoptionen sprechen bereits alle 60 Sprachen, die Gaavala übersetzt — die Soniox-Studio-Stimmen und dein eigener Klon funktionieren unabhängig von der Zielsprache gleich, ab Werk.

Funktioniert es in Teams-Premium-Meetings? Ja. Speak Mode funktioniert in jedem Meeting, das in einem Chrome-Tab läuft, einschließlich Microsoft Teams, Zoom, Google Meet und Webex. Es spielt keine Rolle, ob der Meeting-Organisator Teams Premium oder Copilot hat. Speak Mode läuft auf deiner Seite des Calls, nicht auf der Infrastruktur des Hosts.

Probier es aus

Speak Mode ist ab sofort für Pro-Abonnenten verfügbar. Bist du neu bei Gaavala, fang mit dem einmaligen kostenlosen Test an — 5 Minuten Transkription, keine Kreditkarte nötig —, um zuerst die eingehende Übersetzungserfahrung zu bewerten. Speak Mode ist im kostenlosen Test nicht enthalten; steig auf Pro um ($19.99/Monat, keine Testphase), wenn du ihn für die ausgehende Seite freischalten willst.

Füg Gaavala zu Chrome hinzu →

Installiere Gaavala kostenlos aus dem Chrome Web Store und steig dann auf Pro um, um Speak Mode freizuschalten.