Memo ist ein Aufnahmegerät mit eigenem Backend. Ein kleiner ESP32-Recorder mit E-Paper-Display nimmt Gespräche und Gedanken auf, lädt sie per WLAN auf meinen Home Server hoch, und dort werden sie transkribiert, zusammengefasst und durchsuchbar gemacht. Hier kurz, wie es aufgebaut ist und warum ich es selbst baue.
Sprachmemos haben ein Problem: Man nimmt sie auf und hört sie nie wieder an. Fertige KI-Recorder lösen das, schicken das Audio dafür aber in eine fremde Cloud. Ich wollte beides: Aufnahmen, die sich später wie Text durchsuchen lassen, und die Kontrolle darüber, wo sie liegen.
Das Gerät
Die Hardware ist ein Waveshare ESP32-S3 mit 1,54"-E-Paper. Die Firmware ist in C mit ESP-IDF geschrieben und kann bewusst wenig: Ein Knopf startet und stoppt die Aufnahme, das Display zeigt den Status, und die Datei landet als WAV auf der microSD-Karte. Aufnehmen funktioniert ohne WLAN, hochgeladen wird später.
Ein Detail, das man erst beim Hören merkt: Die ersten und letzten Zehntelsekunden werden abgeschnitten, damit das Klicken der Taste nicht in der Aufnahme landet.
Der Upload
Das Gerät prüft für jede Datei per Hash, ob der Server sie schon kennt, und lädt sonst hoch. Bricht das WLAN mittendrin ab, startet es einfach nochmal, und es entsteht keine doppelte Aufnahme. Jedes Gerät hat einen eigenen Schlüssel, den ich bei Verlust einzeln widerrufen kann.
Das Backend
Das Backend läuft als Docker-Container auf meinem Home Server, mit einer Weboberfläche davor. Dort gibt es eine Bibliothek mit Player, Transkripte, Zusammenfassungen und eine Volltextsuche über alles Gesagte.
Mein Lieblingsteil ist der Chat. Ich kann eine Aufnahme oder alle befragen: „Was habe ich letzte Woche zum Umzug gesagt?“ Die Antwort kommt mit Quellen, und jede führt zur Stelle im Player.
Die KI läuft nur auf Knopfdruck, nie automatisch. So entscheide ich selbst, welche Aufnahme den Server überhaupt verlässt.
Vier Ohren zur Auswahl
Die Spracherkennung ist austauschbar. Pro Aufnahme entscheide ich, wer zuhört:
- Whisper, lokal. Läuft auf dem Home Server, das Audio verlässt das Haus nie.
- Voxtral von Mistral. Europäisch, erkennt die Sprache selbst und schafft Aufnahmen von mehreren Stunden.
- ElevenLabs. Wortgenaue Zeitstempel und saubere Sprecherlabels, wenn es darauf ankommt, wer was gesagt hat.
- OpenRouter. Die Universalsteckdose für jedes weitere Modell.
Memo ist ein Projekt für mich selbst, und es wächst, wenn ich es brauche. Wer Fragen zum Aufbau hat, kann sich gerne bei mir melden.