Wie wir es gebaut haben

Wir haben Jahre daran gearbeitet, Voice-to-Voice-Sprachübersetzung in Echtzeit Wirklichkeit werden zu lassen.

Seit den Anfängen von JotMe waren wir überzeugt: Natürlich über Sprachgrenzen hinweg zu sprechen wird eine der wichtigsten Schnittstellen im globalen Geschäft. Doch die Technologie war noch nicht so weit.

• Die Audioerzeugung war zu langsam.
• Die Übersetzung konnte den Kontext nicht bewahren.
• Die Stimmen klangen roboterhaft und unnatürlich.
• Die Latenz zerriss den Gesprächsfluss.
• Und vor allem: Die Wirtschaftlichkeit stimmte nicht.

Wegen dieser Grenzen haben wir die Funktion nie breit ausgerollt. Eine Handvoll vorausdenkender Enterprise-Kunden war bereit, mit uns zu experimentieren – und wir hatten das Privileg, gemeinsam mit ihnen zu entwickeln.

Dann änderte sich am 8. Mai 2026 alles, als OpenAI GPT-Realtime-2 vorstellte.

Zum ersten Mal konnte eine KI zuhören, denken und antworten, während Sie noch sprechen. Sprachinteraktion fühlte sich nicht mehr wie eine Demo an, sondern wie Infrastruktur.

Doch zwei große Probleme blieben zu lösen, wenn Sprachübersetzung Teil des Betriebssystems globaler Unternehmen werden sollte.

1. Operativer Kontext in Echtzeit

Übersetzung ist kein Sprachproblem. Sie ist ein Kontextproblem.

Wer übersetzt, muss wissen, wer gerade spricht, an welchem Projekt gearbeitet wird und welche interne Terminologie gilt – dazu Kundennamen, Produktnamen, frühere Entscheidungen, Teamstrukturen und mehr.

Ohne Kontext macht selbst das beste Modell Fehler. Um im Arbeitsalltag wirksam zu kommunizieren, braucht KI Zugriff auf dasselbe operative Wissen, das Mitarbeitende jeden Tag nutzen.

2. Audio-Verteilung

Die zweite Herausforderung war überraschend praktisch: Wie bringt man übersetztes Audio in Meetings, Events, Webinare, Sales-Calls und Kundengespräche?

Den letzten Monat haben wir damit verbracht, genau diese Probleme zu lösen. Heute machen wir das Ergebnis für alle verfügbar.

‍

Was bedeutet diese Technologie für globale Unternehmen?

Technologie, die früher individuelle Deployments und Jahresverträge ab 50.000 US-Dollar voraussetzte, kann jetzt jeder nutzen.

Aber was uns begeistert, ist nicht nur die Demokratisierung fortschrittlicher Technologie.

Jahrzehntelang lief Kommunikation über Sprachgrenzen hinweg über Übersetzer, Dolmetscher und mehrere Kommunikationsebenen. Jede Übergabe bringt Verzögerung, Missverständnisse und Kontextverlust mit sich.

Wir glauben, dass Voice-to-Voice-Übersetzung das ändert. Menschen sprechen natürlich in ihrer eigenen Sprache, während die KI-Übersetzung in Echtzeit läuft – und dabei mehr von der ursprünglichen Absicht und Bedeutung des Gesprächs bewahrt.

Vielleicht kennen Sie „Stille Post“ – oder die Rücken-Mal-Challenge: Eine Person malt einer anderen etwas auf den Rücken, und diese versucht, es auf Papier nachzuzeichnen. Am Ende hat die Zeichnung oft kaum noch etwas mit dem Original zu tun.

Kommunikation über Sprachgrenzen hinweg hat lange genauso funktioniert. Jetzt beginnen wir zum ersten Mal, diese Zwischenebenen zu entfernen.

‍

Warum Sprache-zu-Sprache-Übersetzung in Echtzeit mit JotMe?

JotMe ist für Arbeitsgespräche gebaut – dort braucht KI mehr als Worte. Sie braucht operativen Kontext: Produktnamen, Kundennamen, Projekthistorie, Team-Terminologie und frühere Meeting-Notizen. Dieser Kontext hilft, die geschäftliche Bedeutung zu bewahren, während das Gespräch noch läuft. Die Übersetzung fühlt sich dadurch natürlicher an und ist für echte Arbeit nützlicher.

JotMe ist außerdem plattformunabhängig. Ob das Gespräch in Zoom, Google Meet oder Microsoft Teams stattfindet, auf einem Event, im Unterricht oder persönlich: Die JotMe-Desktop-App unterstützt den Workflow – mit über 100 gesprochenen Eingabesprachen und 13 Sprachen für die Sprachausgabe: Chinesisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch, Spanisch und Vietnamesisch.

Auch während der Sprache-zu-Sprache-Übersetzung zeigt JotMe weiterhin die Echtzeit-Transkription und die Textübersetzung an. Nach dem Meeting wird das Transkript zusammen mit KI-generierten Meeting-Notizen gespeichert – so wird jedes Gespräch Teil einer mehrsprachigen Wissensbasis, die Ihr Team durchsuchen, prüfen und weiter ausbauen kann.

‍

‍

So nutzen Sie die Voice-to-Voice-Übersetzung

Die Voice-to-Voice-Übersetzung von JotMe ist ein Desktop-Workflow, weil sie Audio erfassen, die übersetzte Sprache routen und die KI-Stimme in Echtzeit wiedergeben muss. Im Produkt finden Sie die Funktion unter Speech-to-Speech AI Translation (KI-Übersetzung von Sprache zu Sprache).

Wählen Sie vor der Nutzung unter „Spoken Language“ die Option Fast (Audio), legen Sie eine Fast Translation Language (schnelle Übersetzungssprache) fest und kehren Sie dann zum Speech-to-Speech-Menü zurück.

Die Sprachübersetzung erkennt viele gesprochene Sprachen, die übersetzte Sprachausgabe unterstützt derzeit jedoch:

Chinesisch (vereinfacht), Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch, Spanisch und Vietnamesisch.

Modus 1: Online-Meeting (Online Meeting)

Nutzen Sie Online Meeting, wenn die übersetzte Stimme in Zoom, Google Meet, Microsoft Teams, WhatsApp, Webinaren, Sales-Calls, Kundengesprächen, Interviews oder internen Meetings funktionieren soll.

Online Meeting unterstützt drei Übersetzungsrichtungen.

Beide Richtungen (Two-Way)

Nutzen Sie diesen Modus, wenn beide Seiten Sprachübersetzung benötigen.

• Sie hören die andere Person in Ihrer gewählten Sprache.
• Die andere Person hört Sie in ihrer gewählten Sprache.
• JotMe routet eingehendes Meeting-Audio und ausgehende übersetzte Sprache getrennt.
• Ideal für zweisprachige Meetings, Kundengespräche, Verhandlungen, Trainings, Interviews und Support-Calls.

Auf dem Mac erfordert der Two-Way-Modus BlackHole 2ch und BlackHole 16ch. Der Meeting-Lautsprecher wird über BlackHole 2ch geroutet, das Meeting-Mikrofon über BlackHole 16ch.

Unter Windows nutzt Two-Way VB-CABLE und Virtual Audio Cable Line 1. Folgen Sie den Einrichtungshinweisen in der App – JotMe zeigt Ihnen die passenden Geräte für den gewählten Modus an.

Nur zuhören (Listening Only)

Nutzen Sie diesen Modus, wenn Sie nur übersetztes Audio hören möchten.

• JotMe erfasst Meeting- oder Systemaudio.
• JotMe gibt die übersetzte Sprache über Ihre Kopfhörer oder Lautsprecher wieder.
• Ihr Mikrofon wird weder transkribiert noch übersetzt.

Auf dem Mac kommt dafür BlackHole 2ch für die Audioerfassung zum Einsatz. Unter Windows wird das VB-CABLE-Aufnahmegerät verwendet.

Nur sprechen (Speaking Only)

Nutzen Sie diesen Modus, wenn Sie in Ihrer Sprache sprechen möchten und andere die übersetzte Stimme hören sollen.

• JotMe erfasst Ihr Mikrofon.
• JotMe sendet die übersetzte Sprache in die Meeting-Anwendung.
• Das Audio der anderen Teilnehmenden wird weder transkribiert noch übersetzt.

Stellen Sie auf dem Mac das Mikrofon der Meeting-Anwendung auf BlackHole 2ch. Unter Windows wählen Sie CABLE Output (VB-Audio Virtual Cable).

Fehlt der erforderliche virtuelle Audiotreiber, bleiben der Modus-Schalter und die Start-Taste deaktiviert, bis das Gerät erkannt wird. Starten Sie Ihren Computer nach der Installation neu.

Modus 2: Sonstiges (Other)

Nutzen Sie „Other“ (Sonstiges), wenn das Audio nicht über eine Meeting-Anwendung läuft.

Mikrofon-Audio (Microphone Audio)

Dieser Modus eignet sich für:

• Persönliche Gespräche
• Live-Events
• Interviews
• Unterricht und Kurse
• Messedemos
• Außeneinsätze

System-Audio (System Audio)

Dieser Modus eignet sich für:

• Videos
• Livestreams
• Webinare
• Schulungsmaterial
• Podcasts
• Jedes Audio, das bereits auf Ihrem Computer läuft

Die Other-Modi benötigen kein virtuelles Audio-Routing, weil die übersetzte Sprache nicht zurück in eine Meeting-Anwendung gesendet wird.

Modus 3: Teilen (Sharing)

Nutzen Sie Sharing (Teilen), wenn Teilnehmende die Übersetzung auf ihren eigenen Geräten benötigen.

• Teilen per URL: Jede Person kann die Live-Übersetzung im Browser öffnen.
• Teilen per Code: Andere JotMe-Desktop-Nutzer treten mit einem Code bei.
• QR-Code anzeigen – für den schnellen Zugriff.
• Teilnehmende wählen ihre bevorzugte Sprache selbst.
• In berechtigten Fast- und Premium-Sitzungen können Hosts die Sprache-zu-Sprache-Übersetzung für Teilnehmende aktivieren. Das verbraucht das 5-Fache an Übersetzungsminuten pro Teilnehmer.

Sharing eignet sich für Events, Klassenzimmer, Webinare, Trainings, Werksführungen, Kundendemos und mehrsprachige Meetings, in denen jede Person eine andere Sprache bevorzugt.

‍

Wo lässt sich die Sprachübersetzung in Echtzeit von JotMe einsetzen?

Mehrsprachige Team-Meetings

Für globale Teams ist das größte Problem nicht nur die Sprache, sondern das Tempo. Menschen zögern, warten darauf, dass jemand übersetzt, oder melden sich gar nicht erst zu Wort, weil sie sich in der Meeting-Sprache unsicher fühlen. Mit Voice-to-Voice-Übersetzung spricht jede Person natürlich, während der Rest des Raums in der Sprache folgt, die er am besten versteht.

Globale Sales-Calls

Verkaufsgespräche leben von Timing, Tonfall und Vertrauen. Statt den Call durch manuelles Dolmetschen auszubremsen, sprechen Teams direkt mit Interessenten und Kunden in deren Sprache, während JotMe das Gespräch in Echtzeit übersetzt.

Kundensupport und Customer Success

Support-Teams müssen dringende Probleme oft schnell verstehen. Sofortige Sprachübersetzung hilft kundennahen Teams bei Eskalationen, Onboarding-Calls, Vertragsverlängerungen und technischem Troubleshooting – ohne auf einen menschlichen Dolmetscher zu warten.

Internationales Recruiting und Interviews

Starke Kandidatinnen und Kandidaten zeigen im Interview nicht immer ihr Bestes, wenn sie in einer Fremdsprache sprechen müssen. Voice-to-Voice-Übersetzung erleichtert Hiring-Teams und Bewerbern die klare Kommunikation – besonders bei technischen Interviews, Culture-Fit-Gesprächen und globalen Recruiting-Prozessen.

Events und Webinare

Bei Events reicht ein einzelner übersetzter Audiokanal selten aus. Durch das Teilen per URL oder QR-Code nehmen Teilnehmende vom eigenen Gerät aus teil und hören in ihrer bevorzugten Sprache – das macht Webinare, Panels und Live-Sessions zugänglicher.

Bildung und Schulungen

In Klassenzimmern, Workshops und internen Schulungen bleiben Menschen durch Sprachbarrieren oft unbemerkt zurück. Echtzeit-Übersetzung der gesprochenen Sprache hilft Lernenden, Mitarbeitenden und Trainees, komplexen Erklärungen direkt zu folgen.

Fertigung und Zusammenarbeit mit Lieferanten

Werksbesuche, QA-Reviews, Lieferantenmeetings und technische Schulungen sind voller Fachterminologie. Der operative Kontext von JotMe hält die Übersetzung nah an der tatsächlichen Arbeit – von Produktnamen bis zu Prozessdetails.

Reisebranche und Hotellerie

Hotels, Reiseveranstalter, Event-Personal und Teams mit Gästekontakt brauchen schnelle Kommunikation über Sprachgrenzen hinweg. Sprachübersetzung unterstützt Live-Gespräche mit Gästen, die Abstimmung mit Dienstleistern, geführte Erlebnisse und heikle Servicemomente.

Content-Review und Medien-Workflows

Teams können JotMe auch außerhalb von Meetings nutzen, indem sie Systemaudio aus Videos, Livestreams, Podcasts, Schulungsmaterial oder Aufzeichnungen übersetzen. Das beschleunigt mehrsprachige Reviews, ohne dass zuerst ein vollständiger Transkriptions-Workflow nötig ist.

‍

Zum Schluss

Technologien, die unsere Arbeit verändern, wirken oft täuschend einfach, sobald sie da sind. Wir glauben, Voice-to-Voice-Übersetzung ist eine davon. Wir sind gespannt, was Sie damit aufbauen. Wenn Sie Feedback haben oder über ein Enterprise-Deployment sprechen möchten, erreichen Sie uns unter hey@jotme.io.

‍