Lohnt sich dein eigenes ekto?
Sprachübersetzung in Echtzeit: Sprich in einer Sprache und höre die Übersetzung fast in Echtzeit zurück.
Die Verarbeitungskette ist längst nichts Exotisches mehr: Mikrofonton aufnehmen, mit einer Sprachaktivitätserkennung segmentieren, mit Whisper transkribieren, übersetzen und mit einer lokalen TTS-Stimme wieder ausgeben. Ein Agent kann das an einem Wochenende zu einer funktionierenden lokalen App verbinden, und sie wird tatsächlich ein Gespräch übersetzen. Was sie nicht sofort schafft, ist, eine Stunde lang sauber zu funktionieren: Segmentgrenzen schneiden Wörter ab, Sprecherwechsel gehen ineinander über, die Latenz wächst mit dem Puffer, und der Satz-für-Satz-Rhythmus, der diese Apps in echten Gesprächen nutzbar macht, ist eine Frage der Abstimmung, nicht des Programmierens. Außerdem bekommst du keine Smartphone-App, obwohl Sprachübersetzung genau dort stattfindet. Für den Schreibtisch und die Reisevorbereitung ist das in Ordnung, aber wenig überzeugend, wenn du es auf einem Markt einem Fremden entgegenhältst.
EN → DERecherche automatisch aus dem Englischen übersetzt. Original-Prompt auf Englisch beibehalten.
Build a local real-time voice translation app. No accounts, no cloud services, no telemetry.
Stack, non-negotiable:
- Python 3.11 + FastAPI, served with uvicorn on port 8000.
- One HTML page with vanilla JS, no framework, no build step.
- Audio in: browser getUserMedia, 16kHz mono, streamed to the server over a WebSocket in 250ms PCM chunks.
- Speech to text: faster-whisper (small model default, configurable via .env).
- Segmentation: silero-vad or webrtcvad to detect end of utterance. Do not translate on fixed timers, translate on detected utterance boundaries.
- Translation: argostranslate with locally installed language pairs.
- Text to speech: piper, one voice per target language, downloaded on first run into ./models.
Behavior:
- User picks source and target language in a dropdown before starting.
- Press Start, speak, and on each detected utterance the server returns: original text, translated text, and a WAV of the translated speech. The page appends both lines to a running transcript and plays the audio.
- Show live latency per utterance in ms in the corner. Be honest, measure end of speech to audio ready.
- Handle overlap: if a new utterance arrives while audio is playing, queue it, never drop it.
- Long session hygiene: cap the in-memory transcript at 500 lines, reset the whisper buffer after every utterance, log RSS every 60 seconds.
Out of scope, do not build: mobile app, user accounts, cloud sync, speaker diarization, a two-phone conversation mode.
Deliverables: main.py, static/index.html, static/app.js, requirements.txt, .env.example (WHISPER_MODEL, DEVICE, COMPUTE_TYPE), scripts/download_models.py, and a README with exact run steps plus one paragraph on where this degrades in sessions over 20 minutes.
Run it, speak a test sentence in English with Spanish as target, and paste the measured latency into the README.Der Prompt öffnet sich vorausgefüllt in deinem Agenten. Prüfe ihn vor dem Ausführen. · dieser Prompt wurde aus dem Bauplan erzeugt · per PR verbessern
Wie sähe deine eigene Version aus?
Streamt Mikrofonton über einen WebSocket an eine lokale Kette aus Whisper, Übersetzung und TTS und spielt die übersetzte Sprache mit fortlaufendem Transkript ab.
Was du brauchst
- Python 3.11 und ein Rechner mit mindestens 8GB RAM, GPU dringend empfohlen
- Lokale Modelldownloads: faster-whisper und eine Piper-Stimme pro Zielsprache
- Ein Browser mit Mikrofonberechtigung oder ein API-Schlüssel, wenn du stattdessen ein gehostetes Übersetzungsmodell einsetzt
- Kopfhörer, sonst gelangt die TTS-Ausgabe wieder ins Mikrofon
Weil Sprachübersetzung ausschließlich daran gemessen wird, wie viele Sekunden zwischen dem Ende eines Satzes und seiner Wiedergabe vergehen und ob sie in Minute 40 noch funktioniert. Ein lokaler Nachbau überzeugt in der Demo und bekommt dann Risse: Unterbrechungen, Hintergrundgeräusche, zwei Menschen, die gleichzeitig sprechen, das gesperrte Smartphone. Wenn du zahlst, bekommst du ein Smartphone in deiner Tasche, das diese Fälle bewältigt, ohne dass du mitten im Gespräch VAD-Schwellenwerte ergänzen musst.
xZuverlässigkeit bei langen Sitzungen: wachsender Speicherverbrauch, abdriftende Segmentierung und verlorene Gesprächsbeiträge nach den ersten 20 Minuten
xSauberen Satz-für-Satz-Rhythmus und Erkennung von Sprecherwechseln, die den Großteil der wahrgenommenen Qualität ausmachen
xEine mobile App, also keine Übersetzungen unterwegs im Stehen
xAuf echte Reisen abgestimmtes Verhalten ohne Internet oder bei geringer Bandbreite
xLatenzbudgets, die jemand anders bereits erkämpft hat: Teilergebnisse streamen, statt auf ein vollständiges Segment zu warten
Nichts, worauf sich verweisen ließe. Deshalb gibt es den Prompt.
Was kostet ekto?
- Monatliche Zahlung
- 34,99 $/Mon.34,99 $/Mon.
- Pro Jahr
- 420 $/Jahr420 $/Jahr
- Mit brasilianischer Karte, inkl. 3,5% IOF
- 183 R$/Mon.2.194 R$/Jahr
In Meine Liste gespeichert. Bei einer Preisänderung erscheint hier ein Hinweis.
Du schließt den Kauf auf der Website von ekto ab. Vibe Radar wickelt keine Zahlungen ab.
ekto selbst bauen oder abonnieren?
Passe die Zahlen an: Stunden zum Bauen, dein Stundensatz, Betriebskosten und der Abopreis.
Über 24 Monate ist das Abo günstiger.
Startwerte aus der Analyse geschätzt (ein Wochenende). Nicht eingerechnet ist, was dir fehlt (Support, Integrationen, Sicherheit).
Kann ich ekto nachbauen?
Teilweise. Den Kern von ekto baust du mit dem Prompt auf dieser Seite an einem Wochenende, aber es gibt echte Lücken: Zuverlässigkeit bei langen Sitzungen: wachsender Speicherverbrauch, abdriftende Segmentierung und verlorene Gesprächsbeiträge nach den ersten 20 Minuten, Sauberen Satz-für-Satz-Rhythmus und Erkennung von Sprecherwechseln, die den Großteil der wahrgenommenen Qualität ausmachen. Lies die Liste oben, bevor du loslegst.
Was kostet ekto?
ekto kostet etwa 34,99 $/Mon. (Monthly, geprüft am 20.10.2026), also 420 $ pro Jahr.
Was fehlt mir, wenn ich ekto ersetze?
Ehrlich gesagt: Zuverlässigkeit bei langen Sitzungen: wachsender Speicherverbrauch, abdriftende Segmentierung und verlorene Gesprächsbeiträge nach den ersten 20 Minuten; Sauberen Satz-für-Satz-Rhythmus und Erkennung von Sprecherwechseln, die den Großteil der wahrgenommenen Qualität ausmachen; Eine mobile App, also keine Übersetzungen unterwegs im Stehen; Auf echte Reisen abgestimmtes Verhalten ohne Internet oder bei geringer Bandbreite; Latenzbudgets, die jemand anders bereits erkämpft hat: Teilergebnisse streamen, statt auf ein vollständiges Segment zu warten. Wenn dir davon etwas wichtig ist, zahl weiter.
Gibt es eine Open-Source-Alternative zu ekto?
Es gibt keine ausgereifte Open-Source-Alternative, auf die sich verweisen ließe, und genau deshalb gibt es den Prompt auf dieser Seite.