Whisper

Whisper ist eine Familie von Open-Source-Spracherkennungsmodellen, die von OpenAI veröffentlicht wurde. Es transkribiert gesprochenes Audio in Text, und die mehrsprachigen large-v3-Modelle können Sprache aus vielen Sprachen direkt ins Englische übersetzen. Die Gewichte werden unter der freizügigen MIT-Lizenz veröffentlicht, sodass man sie herunterladen und auf eigener Hardware ausführen kann.

Die aktuelle offene Veröffentlichung ist large-v3-turbo, eine optimierte Version von large-v3, die im September 2024 veröffentlicht wurde. Sie behält nahezu die gesamte Genauigkeit des vollständigen large-v3-Modells bei und läuft dabei etwa 8-mal schneller, was sie für Batch-Jobs und nahezu-Echtzeit-Anwendungen deutlich praktischer macht. Der vollständige large-v3-Checkpoint ist weiterhin verfügbar, wenn höchstmögliche Qualität gewünscht ist. Turbo selbst ist nicht für Übersetzungsaufgaben trainiert; für Sprache-zu-Englisch-Übersetzung sollten die anderen mehrsprachigen large-v3-Checkpoints verwendet werden.

Neben den offenen Modellen bietet OpenAI gehostete Transkription über seine API an. Der ursprüngliche Endpunkt whisper-1 wurde zusammen mit gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize im August 2026 als veraltet eingestuft und soll am 26. Februar 2027 aus der API entfernt werden. OpenAI empfiehlt nun gpt-transcribe für dateibasierte Transkription und gpt-live-transcribe für Live-Streaming-Audio. gpt-realtime-whisper und gpt-realtime-translate sind ebenfalls auf der Preisseite von OpenAI aufgeführt.

Die Preisgestaltung teilt sich in zwei Bereiche auf. Die Open-Source-Modelle sind kostenlos nutzbar — man zahlt nur für die eigene Rechenleistung. Die gehostete API wird pro Minute Audio abgerechnet: gpt-transcribe kostet 0,0045 $/Min., gpt-live-transcribe und gpt-realtime-whisper kosten 0,017 $/Min., und gpt-realtime-translate kostet 0,034 $/Min. Die veralteten Modelle whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize bleiben zu ihren bestehenden Minutenpreisen abrechenbar, bis sie am 26. Februar 2027 entfernt werden.

Die Genauigkeit variiert stark je nach Sprache. Whisper wurde mit rund 99 Sprachen trainiert, aber die Qualität ist bei ressourcenreichen Sprachen wie Englisch am stärksten und nimmt bei weniger verbreiteten Sprachen merklich ab. Das lokale Ausführen der größeren Modelle erfordert zudem eine leistungsfähige GPU, und das Modell kann bei langen Stille-Passagen gelegentlich Text halluzinieren.

Whisper eignet sich gut, wenn man eine kostenlose, selbst hostbare Transkriptions-Engine möchte, breite mehrsprachige Abdeckung benötigt oder eine verwaltete API ohne eigene Pipeline-Entwicklung wünscht. Wählen Sie die gehosteten Modelle gpt-transcribe oder gpt-live-transcribe, wenn Sie dateibasierte oder Live-Transkription über OpenAIs API benötigen, und planen Sie die Migration weg von jeder Integration, die noch die veralteten Endpunkte nutzt.