Sokuji: Zwei-Wege-Sprachübersetzung für bilinguale Meetings, lokal oder über Cloud-Anbieter

Welches Problem Sokuji löst und für wen es gedacht ist

In einem Meeting mit zwei Sprachen entsteht ein wiederkehrender manueller Aufwand: Wer spricht, muss seine Sprache kennen, die Übersetzung muss in die Gegenrichtung laufen, und niemand soll mitten im Gespräch einen Schalter umlegen. Genau diesen Schalter will Sokuji überflüssig machen. Laut README erkennt die Anwendung automatisch, welche Sprache gesprochen wird, und übersetzt in die jeweils andere Richtung. Vorgesehen ist das für zwei Personen mit zwei Sprachen in einer laufenden Unterhaltung. Die Zielgruppe sind damit nicht Übersetzungsbüros, sondern Teams, deren Meetings regelmäßig in zwei Sprachen stattfinden, etwa in Zoom, Google Meet, Teams oder Discord. Der Browser-Erweiterung liegt derselbe Funktionsumfang zugrunde wie der Desktop-App, nur mit anderem Reichweitenprofil: Die Erweiterung arbeitet innerhalb webbasierter Meeting-Plattformen, die Desktop-App dort, wo ein Mikrofoneingang existiert, also auch in Spielen, OBS oder Slack.

Der Datenfluss: Mikrofon plus Systemaudio, zwei Richtungen gleichzeitig

Das README zeigt den Ablauf als Diagramm: Spracheingabe geht an Sokuji, dort wird zwischen Cloud und lokaler Inferenz gewählt, das Ergebnis ist eine übersetzte Stimme, die in die Zielanwendung zurückfließt. Zwei Details sind für die Praxis wichtiger als das Diagramm selbst. Erstens werden Mikrofon und Systemaudio gemeinsam erfasst. Das ist die technische Voraussetzung dafür, dass beide Gesprächsrichtungen in einer Sitzung bedient werden, ohne dass der Nutzer zwischen Quellen wechselt. Zweitens liegt die Sprachausgabe als Stimme vor, nicht nur als Text. Für die Lokalisierung nennt das README drei getrennte Stufen: ASR, Übersetzung und TTS. Diese Dreiteilung ist der Grund, warum sich Cloud- und Lokalbetrieb überhaupt gegeneinander austauschen lassen, denn jede Stufe kann einzeln an einen anderen Anbieter oder an ein lokales Modell gebunden werden. Die Zwei-Wege-Funktion selbst wird im README ausdrücklich dem Soniox-Modus zugeschrieben, mit über 60 Sprachen und mehr als 3.600 Sprachpaaren. Ob diese Zwei-Wege-Erkennung auch mit den lokalen Modellen vollständig identisch arbeitet, lässt sich aus dem Material nicht belegen; das README trennt die Aussage nicht sauber zwischen Cloud- und Lokalpfad.

Lokale Inferenz: WASM, WebGPU und die Modellzahlen

Der lokale Pfad ist das eigentliche Unterscheidungsmerkmal gegenüber reinen Cloud-Diensten. Laut README laufen ASR, Übersetzung und TTS über WASM und WebGPU auf CPU und integrierter Grafik, ohne API-Key und ohne Internetverbindung. Angegeben werden 44 ASR-Modelle, davon 23 offline, 10 streaming und 11 mit WebGPU, darunter Whisper, Cohere Transcribe, Voxtral und Granite Speech, mit Abdeckung von über 99 Sprachen. Für die Übersetzung nennt das README 75 Modelle, aufgeteilt in 69 Opus-MT-Sprachpaare und 6 mehrsprachige LLMs (Qwen 2.5, 3 und 3.5, Hunyuan-MT 1.5, TranslateGemma) mit WebGPU. Für TTS kommen 137 Modelle über 53 Sprachen aus den Engines Piper, Piper-Plus, Coqui, Mimic3, Matcha, MMS, VITS und Supertonic. Der Download läuft über einen Klick, zwischengespeichert wird in IndexedDB. Diese Zahlen sind Modellkatalog-Zahlen, keine Qualitätsaussage. Wer eine bestimmte Sprachkombination braucht, muss im Katalog nachsehen, ob sie als Opus-MT-Paar existiert oder nur über eines der mehrsprachigen LLMs abgedeckt ist, denn das entscheidet über Rechenlast und Latenz.

Installation: Releases, Erweiterung und Build aus dem Quellcode

Die Desktop-Pakete liegen auf der Releases-Seite: Sokuji-x.y.z.Setup.exe für Windows, Sokuji-x.y.z-arm64.pkg und Sokuji-x.y.z-x64.pkg für macOS, sokuji_x.y.z_amd64.deb und sokuji_x.y.z_arm64.deb für Debian und Ubuntu. Die Erweiterung ist im Chrome Web Store und in den Microsoft Edge Add-ons verfügbar. Für Installationen ohne Store nennt das README den Entwicklermodus: sokuji-extension.zip herunterladen, entpacken, chrome://extensions/ öffnen, den Entwicklermodus aktivieren und über Load unpacked den entpackten Ordner auswählen. Aus dem Quellcode baut man mit git clone https://github.com/kizuna-ai-lab/sokuji.git, gefolgt von cd sokuji, npm install und dann npm run electron:dev für die Entwicklung beziehungsweise npm run electron:build für die Produktion. Das ist eine ungewöhnlich flache Einrichtung für eine Anwendung mit dieser Modellvielfalt. Der Aufwand verlagert sich an eine andere Stelle: nicht in die Installation, sondern in die Auswahl und den Download der Modelle sowie in die Konfiguration des jeweiligen Anbieters.

Grenzen: WebGPU-Abhängigkeit, Modell-Downloads und die Cloud-Latenz

Die lokale Inferenz ist an WebGPU gebunden. Das README formuliert es als Anforderung an moderne Browser und vorhandene Hardware. Wer auf einer älteren Maschine oder in einer virtualisierten Umgebung ohne GPU-Durchreichung arbeitet, fällt auf den Cloud-Pfad zurück oder auf Modelle, die ohne WebGPU laufen. Das ist die erste Grenze, und sie ist nicht optional. Die zweite betrifft die Modelle selbst: 44 ASR-, 75 Übersetzungs- und 137 TTS-Modelle sind ein Katalog, aus dem ausgewählt werden muss. Die Zwischenspeicherung in IndexedDB hilft beim zweiten Start, nicht beim ersten. Die dritte Grenze liegt im Cloud-Pfad: Eine Echtzeitübersetzung über einen externen Anbieter hängt an der Antwortzeit dieses Anbieters und an der Netzverbindung, und die Sprachdaten verlassen das Gerät. Das README stellt dem die lokale Variante als vollständig offline und privat gegenüber, ohne für den Cloud-Pfad eine Latenzzahl zu nennen. Für vertrauliche Gespräche ist das lokale Modell damit nicht nur eine Datenschutz-, sondern auch eine Planungsfrage, weil niemand vorab sagen kann, wie schnell ein bestimmter Anbieter an einem bestimmten Tag antwortet.

Abgrenzung: Sokuji gegen einen reinen Cloud-Übersetzungsdienst

Der naheliegende Vergleich ist ein Cloud-Dienst, der Audio streamt und übersetzten Text oder Ton zurückliefert. Der Unterschied liegt nicht in der Ausgabequalität, sondern in der Architektur. Ein reiner Cloud-Dienst hat genau einen Pfad: Audio hinaus, Ergebnis herein, kein Modell auf dem Gerät, keine Auswahl. Sokuji stellt zwei Pfade nebeneinander und lässt die Wahl pro Sitzung. Der Preis dafür ist Komplexität: Der lokale Pfad verlangt WebGPU, Modell-Downloads und eine Auswahl aus dem Katalog, der Cloud-Pfad verlangt einen API-Key und eine Netzverbindung. Ein weiterer Unterschied ist die Reichweite. Ein Übersetzungsdienst liefert typischerweise innerhalb einer Plattform; Sokuji tritt über Systemaudio an jede Anwendung heran, die einen Mikrofoneingang hat, und über die Erweiterung an webbasierte Meeting-Plattformen. Wer nur Untertitel in einem einzigen Web-Meeting braucht, fährt mit einem integrierten Dienst einfacher. Wer dieselbe Lösung in Zoom, Teams, Discord und einer Desktop-Anwendung braucht, kommt mit einem plattformgebundenen Dienst nicht weit.

Wartung, Release-Takt und die AGPL-3.0-Frage

Der Release-Takt ist eng: v0.40.3 vom 7. September 2026, davor v0.40.2 und v0.40.1 im Abstand von wenigen Tagen. Das Repository ist nicht archiviert, der letzte Push datiert auf den 10. September 2026. Für Betreiber bedeutet dieser Takt, dass Aktualisierungen häufig anfallen und eingeplant werden müssen, insbesondere wenn Modelle mitgeliefert oder Modell-URLs geändert werden. Die Lizenz ist AGPL-3.0. Diese Lizenz verlangt, dass abgeleitete Werke unter denselben Bedingungen veröffentlicht werden, und sie erstreckt sich bei AGPL auch auf die Bereitstellung über ein Netzwerk. Wer Sokuji unverändert aus dem Store oder von der Releases-Seite nutzt, berührt das nicht. Wer den Code anpasst und anderen zugänglich macht, muss die Bedingungen einhalten. Das ist keine Rechtsberatung, sondern nur der Hinweis, dass die Lizenzfrage vor einem Fork oder einer internen Weitergabe geklärt werden sollte. Ein Support-Modell oder eine kommerzielle Lizenzalternative wird im vorliegenden Material nicht genannt.

Redaktionelles Fazit

Sokuji passt zu Teams, die regelmäßig bilinguale Meetings in Zoom, Meet oder Teams führen und entweder einen Cloud-Anbieter mit API-Key oder die lokale Inferenz auf vorhandener Hardware nutzen wollen. Wer eine reine Textübersetzung für Chats sucht oder keine Modell-Downloads von mehreren hundert Megabyte einplanen kann, ist hier falsch. Vor dem Einsatz zu prüfen: ob die eigene Hardware WebGPU unterstützt und ob die lokale Pipeline auf dem Zielgerät die Echtzeit-Anforderung erfüllt, sowie ob die AGPL-3.0-Bedingungen mit der geplanten Weitergabe der Software vereinbar sind.

Offizielle Quellen

1. kizuna-ai-lab/sokuji on GitHub
2. License: AGPL-3.0
3. Project website
4. README
5. Releases