Die Karte ist nur der Ausgangspunkt, KI-gestützte Tonaufnahmegeräte konkurrieren um den Zugang zu persönlichen Erinnerungen: Kragen, Brust oder Handgelenk?

Wenn Sie jetzt ein persönliches KI-Aufnahmegerät kaufen, ist es möglicherweise komplizierter als die Wahl der Marke: Welche Art möchten Sie?

Manche befestigen es magnetisch auf der Rückseite des Handys, manche klemmen es an den Kragen, tragen es am Handgelenk, und andere möchten es in Kopfhörer, Brille, Stift stecken oder sogar zu einem Ring machen. In nur zwei bis drei Jahren hat sich die KI-Aufnahme von einer Karte zu mehr als einem Dutzend Formen entwickelt. Diese Produkte unterscheiden sich stark im Aussehen, aber im Inneren laufen ähnliche Abläufe ab:

Das Mikrofon ist für die Erfassung und Speicherung von Audio zuständig, das Handy oder die Cloud übernimmt die Transkription und die Unterscheidung der Sprecher, dann übergibt es an das große Modell zur Zusammenfassung und Extraktion von Aufgaben, und schließlich werden die Ergebnisse in Apps, Dokumenten oder Wissensdatenbanken abgelegt.

Warum ist es so lebhaft?

Einerseits ist es tatsächlich einfacher herzustellen als viele KI-Hardwareprodukte. Ausgereifte MEMS-Mikrofone, stromsparende Audiochips, Flash-Speicher und Batterien haben die Hardware-Hürde ausreichend niedrig gelegt, und die Fähigkeiten zur Transkription und zum großen Modell können direkt Cloud-Dienste aufrufen. Einschließlich einer großen Anzahl von No-Name-Produkten aus Huaqiangbei behaupten viele Produkte, ein "KI-Hardwaregerät" zu sein, aber die KI läuft tatsächlich hauptsächlich auf Handys und Servern.

Andererseits ist der Ton tatsächlich der billigste und dichteste Kontext, in dem die KI eine Person verstehen kann. Wir geben täglich eine große Menge an Informationen in Besprechungen, Interviews, Telefonaten und Smalltalk preis, darunter sowohl Fakten als auch Entscheidungen, Versprechen, Emotionen und flüchtige Gedanken. Im Vergleich dazu, den Benutzer zu bitten, ständig zu tippen, Fotos zu machen und Dateien zu sortieren, kann ein tragbares Gerät, das nur leise zuhört, der KI helfen, einen großen fehlenden Teil im persönlichen Leben zu ergänzen.

Daher verkaufen die Hersteller längst nicht mehr nur "automatisch generierte Protokolle". Von Plaud, DingTalk, Tianwen Wenwen bis Bee, Omi, Vocci werden Begriffe wie "zweites Gehirn", "externes Gedächtnis" und "persönliche Wissensdatenbank" wiederholt verwendet, um Aufnahmegeräte zu einem Eingang für persönliches KI-Gedächtnis zu machen.

Das Problem ist, dass das Aufzeichnen einer Besprechung, das Erinnern an die Ereignisse eines Tages und das spontane Erfassen eines Gedankens... alles unterschiedliche Anforderungen sind. Selbst das derzeit beliebteste KI-Aufnahmekarte löst eher die Anforderungen und Schmerzpunkte von persönlichen Aufnahmegeräten wie herkömmlichen Diktiergeräten.

Die Produktform der persönlichen KI-Aufnahme ist noch lange nicht in einem stabilen Zustand angekommen.

Die Karte hat die erste Runde gewonnen, aber das KI-Aufnahmespiel hat gerade erst begonnen

Zweifellos ist das derzeit erfolgreichste Produkt auf dem Markt für persönliche KI-Aufnahmegeräte zweifellos die KI-Aufnahmekarte.

Plaud Note definiert im Grunde das Standardaussehen dieser Produktkategorie: Kartenform, magnetisch befestigt (normalerweise durch eine magnetische Hülle) auf der Rückseite des Handys, zeichnet Offline-Besprechungen über ein normales Mikrofon auf und erfasst gleichzeitig Handyanrufe mit einem Vibrationssensor. Gleichzeitig kann man durch einen Tastendruck am Gerät wichtige Stellen in der Aufnahme markieren, damit die KI diese Abschnitte nach der Besprechung vorrangig bearbeitet.

Plaud Note Pro, Bildquelle: Leikeji

Nach offiziellen Angaben von Plaud hat die Zahl der weltweiten Nutzer inzwischen 2 Millionen überschritten, was zumindest zeigt, dass die KI-Aufnahmekarte die reine Konzeptphase hinter sich gelassen hat.

Die Vorteile der Karte sind kein Geheimnis. Sie ist dünn genug, um zusammen mit dem Handy mitgenommen zu werden. Das Gerät ist aber nicht so klein, dass keine Batterie, kein Flash-Speicher und mehrere Mikrofone hineinpassen. Wenn man es in der Mitte des Tisches während einer Besprechung platziert, ist es normalerweise einfacher, die Stimmen aller Personen gleichmäßig zu erfassen, als wenn es an der Brust einer Person befestigt ist. Wenn es während eines Anrufs auf der Rückseite des Handys angebracht wird, kann es auch die Einschränkungen von iPhone bei der Anrufaufzeichnung umgehen. Die drei häufigsten Aufnahmeszenarien: Besprechungen, Interviews und Telefonate, werden alle abgedeckt.

Das ist eine sehr praktikable Kompromisslösung.

Aus diesem Grund ist der Markt für Aufnahmekarten schnell sehr wettbewerbsintensiv geworden. Es gibt die TicNote KI-Aufnahmekarte von Tianwen Wenwen, die Aufnahmen weiterhin zu Projekt-Wissensdatenbanken, tiefgreifenden Forschungen und Podcasts verarbeitet, und Notta Memo, das mit den ursprünglichen Transkriptions- und internationalen Kooperationsdiensten von Notta auf den Markt kommt. Außerdem hat iFlytek neben dem 360 KI-Diktiergerät auch seine eigene KI-Aufnahmekarte auf den Markt gebracht.

Magnetische Befestigung, Doppelmodus für Anrufe und Vor-Ort-Aufnahmen, Dutzende Stunden Aufnahmedauer, Hunderte von Minuten kostenloser Transkriptionsvolumen pro Monat sind fast zu einer allgemeinen Standardlösung geworden.

DingTalk geht noch radikaler vor. Die DingTalk A1 Youth Edition und die Flagship-Version haben nicht nur den Hardware-Preis direkt auf das Niveau gängiger Diktiergeräte gesenkt, sondern die im April dieses Jahres eingeführte A1 Pro verfügt über ein gerichtetes Mikrofon und einen 2980-mAh-Akku, der angeblich eine Reichweite von 10 Metern und eine kontinuierliche Aufnahme von 180 Stunden ermöglicht und sogar das Handy vorübergehend aufladen kann.

Was DingTalk wirklich will, ist offensichtlich nicht der Verkauf von Hardware. Nachdem die Aufnahme in DingTalk eingegangen ist, können weiterhin Protokolle, Aufgaben und Analyseberichte generiert werden, die dann an Dokumente, KI-Tabellen und unternehmensweite Wissensdatenbanken weitergeleitet werden. Die ursprünglich offline verstreuten Verkaufsbesuche, Vorstellungsgespräche und Kundenkommunikationen werden so zu Daten, die DingTalk weiter verarbeiten kann.

Bildquelle: Leikeji

Der Wettbewerb um Aufnahmekarten hat bis heute dazu geführt, dass sich der Schwerpunkt allmählich von "gibt es eine KI-Zusammenfassung" zu detaillierteren und praktischeren Erlebnissen verschiebt: Kann man in lauter Umgebung deutlich hören, werden Sprecher nicht falsch erkannt, wenn mehrere Personen gleichzeitig sprechen, kann die Originalaufnahme vollständig exportiert werden und kann die transkribierte Version in den ursprünglichen Arbeitsablauf des Benutzers integriert werden.

Die Hardware-Differenzierung wird immer geringer, Software und Ökosystem sind entscheidender.

Dennoch erfordert die Karte immer noch, dass der Benutzer daran denkt, sie mitzunehmen, herauszunehmen, richtig zu platzieren und dann die Aufnahmetaste zu drücken. Bei einer im Voraus geplanten Besprechung sind diese Schritte nicht umständlich, aber bei Gesprächen während der Bewegung, plötzlichen Einfällen oder wenn der Benutzer wirklich den ganzen Tag aufzeichnen möchte, ist sie nicht unmerklich. Daher sehen wir, dass mehr Produkte das Handy verlassen und an unseren Körpern getragen werden.

Kragen, Brust, Handgelenk, Finger – die KI-Aufnahme sucht noch nach ihrer Position

Nichts ist "tragbarer" als Wearables, und die größte Geschichte der persönlichen KI-Aufnahme besteht darin, auf der Grundlage von "tragbar" und "ständig online" einen Eingang für persönliches KI-Gedächtnis zu schaffen, unsere zufälligen Äußerungen, Aufgaben, plötzlichen Einfälle und Gespräche zu merken und eine große Menge an fragmentiertem "Kontext" zu "persönlichem Gedächtnis" zu machen.

Daher wollen mehr Hersteller neben den magnetisch am Handy befestigten Aufnahmekarten die KI-Aufnahme in Köpfen (KI-Brillen), Kragen, Brust, Handgelenken, Fingern... an jedem möglichen Ort integrieren, sogar in mehreren Formen.

Viele Leute wissen vielleicht nicht, dass Plaud neben Aufnahmekarten auch die Aufnahmeanhänger NotePin und NotePin S auf den Markt gebracht hat, die an der Kleidung befestigt werden können, auch in Umhängen und Armbändern untergebracht werden können und lange kontinuierliche Aufnahmen unterstützen. Das erste NotePin wird durch langes Drücken und Vibration gestartet, die Rückmeldung ist nicht intuitiv, wie Leikeji in der Bewertung der ersten Version festgestellt hat:

...Der zum Drücken erforderliche Kraftaufwand ist weit höher als erwartet. Selbst nach vielen Versuchen hat der Tester festgestellt, dass man fest drücken muss, um den Start auszulösen, und selbst dann besteht eine gewisse Wahrscheinlichkeit, dass er nicht ausgelöst wird. Man kann sich vorstellen, dass das Produktteam von NotePin ursprünglich die Kraftschwelle für das Drücken erhöht hat, um Fehlstarts zu vermeiden. Aber das Endergebnis ist kaum zufriedenstellend: Man muss mit dem Daumen sehr stark drücken, um die Aufnahme zu starten oder zu stoppen.

NotePin und NotePin S, Bildquelle: Leikeji, Plaud

Interaktive Rückmeldung ist eine Sache, bei der man keine Kompromisse eingehen darf. Daher haben sie bei der neuen Produktgeneration NotePin S einfach einen unauffälligen "physischen" Knopf hinzugefügt, der zuverlässiger ist.

Außerdem kann das soundcore Work von Anker auch am Kragen befestigt oder an der Brust getragen werden. Die kontinuierliche Aufnahmedauer mit dem Gerät allein beträgt zwar nur 8 Stunden, kann aber mit dem Ladeetui auf 32 Stunden verlängert werden. Das KI-Aufnahmebohnen-Produkt, das Anker in diesem Jahr in Zusammenarbeit mit Feishu auf den Markt gebracht hat, folgt einem ähnlichen Hardware-Ansatz: Die Aufnahmen werden direkt in Feishu Miaoji übertragen und dann von Stimmerkennung, Echtzeit-Protokollen und Wissensabfragen verwendet.

Dieselbe Hardware, die mit der soundcore App oder Feishu verbunden ist, ergibt am Ende zwei verschiedene Produkte. Das erste ist eher ein eigenständiges KI-Aufnahmegerät, das zweite sammelt von Anfang an Offline-Arbeitsinformationen für Feishu. Dies zeigt erneut, dass der Wert von persönlichen KI-Aufnahmegeräten zunehmend davon abhängt, wohin es den Ton oder den "Kontext" überträgt.

Anker KI-Aufnahmebohne, Bildquelle: Anker

Der Vorteil eines am Körper befestigten Geräts ist, dass es jederzeit verfügbar ist. Bei mobilen Interviews, Messen, Filialbesuchen und Gesprächen während des Gehens muss der Benutzer nicht mehr das Handy herausholen und nach einer Position suchen. Aber das Mikrofon bewegt sich mit einer Person, ist weiter von anderen Sprechern entfernt und erfasst leichter Reibgeräusche von der Kleidung. Anhänger sind nicht unbedingt besser für Szenarien wie Besprechungen mit mehreren Personen geeignet, aber sie sind "persönlicher" als Karten.

Nicht nur durch das Produktdesign den Aufnahmebereich von Besprechungen auf den ganzen Tag auszudehnen, sondern vor allem auch durch das KI-System. Zum Beispiel kann Bee Pioneer sowohl am Handgelenk getragen als auch an der Kleidung befestigt werden, und eine volle Ladung soll 7 Tage lang halten. Es versteht kontinuierlich die Gespräche des Benutzers und generiert tägliche Rückblicke, Erinnerungen und Hinweise zu zwischenmenschlichen Beziehungen. Nachdem Amazon Bee übernommen hat, wird es weiter in Richtung persönlicher Assistent weiterentwickelt.

Aus Gründen des Datenschutzes behauptet Bee, dass das Original-Audio nur in Echtzeit verarbeitet und nie gespeichert wird, und nur Transkriptionen und Zusammenfassungen bleiben übrig.

Das klingt umfassend, bringt aber ein weiteres Problem mit sich: Wenn die KI etwas falsch versteht, hat der Benutzer keine Möglichkeit, das Originalaudio anzuhören und den Kontext zu überprüfen. The Verge hat Bee mehrere Monate lang getestet und festgestellt, dass es Beziehungen zwischen Personen verwechselt und auch Inhalte aus dem Fernsehen als echte Gespräche betrachten kann.

Omi verfolgt einen offeneren Weg, indem es Hardware, Anwendungen und Code für Entwickler öffnet und Benutzern erlaubt, lokale Modelle, persönliche Wissensdatenbanken und Automatisierungstools zu verbinden. Es eignet sich eher für Leute, die gerne ihr eigenes "zweites Gehirn" aufbauen, aber die Produktreife und die Nutzungshürden sind nicht mit einem sofort einsatzbereiten Diktiergerät vergleichbar.

Kopfhörer konkurrieren auch um dieselbe Position. Sowohl die TicNote Pods 4G von Tianwen Wenwen als auch die Besprechungskopfhörer-Serie von iFlytek fügen dem Ladeetui unabhängige Mikrofone und 4G hinzu, sodass die Aufnahmen nicht mehr auf das Handynetz angewiesen sind, um hochgeladen zu werden, und direkt Anrufe tätigen und übersetzen können.

Natürlich ist die auffälligste Versuchung in letzter Zeit der Ring.

Zum Beispiel der Vocci Ring, der für lange Aufnahmen entwickelt wurde: Ein Doppelklick startet die Aufnahme, ein einfacher Klick markiert wichtige Stellen. Der Vocci Ring ist mit einem MEMS-Mikrofon ausgestattet, das eine Reichweite von