Whisper

Whisper ist eine Familie quelloffener Spracherkennungsmodelle von OpenAI. Es wandelt gesprochenes Audio in Text um und kann Sprache aus vielen Sprachen direkt ins Englische übersetzen. Die Gewichte stehen unter der freizügigen MIT-Lizenz, du kannst sie also herunterladen und auf eigener Hardware betreiben.

Das aktuelle offene Release ist large-v3-turbo, ein im Oktober 2024 vorgestelltes destilliertes Modell. Es behält nahezu die volle Genauigkeit des kompletten large-v3, läuft aber rund 8x schneller, was es für Batch-Jobs und nahezu Echtzeitanwendungen deutlich praktischer macht. Der volle large-v3-Checkpoint ist weiterhin verfügbar, wenn du die höchstmögliche Qualität brauchst.

Neben den offenen Modellen bietet OpenAI Transkription inzwischen auch gehostet über seine API an. Der klassische Endpunkt ist whisper-1, ergänzt um GPT-4o-basierte Modelle: gpt-4o-transcribe und das günstigere gpt-4o-mini-transcribe, die Optionen wie Sprecher-Diarisierung mitbringen. Berichten zufolge kam um Mai 2026 eine Streaming-Variante namens gpt-realtime-whisper hinzu, die Transkript-Fragmente live beim Sprechen zurückgibt.

Die Preise teilen sich in zwei Schienen. Die Open-Source-Modelle sind kostenlos: Du zahlst nur deine eigene Rechenleistung. Die gehostete API wird nutzungsbasiert abgerechnet: whisper-1 und gpt-4o-transcribe kosten 0,006 $ pro Minute (0,36 $/Std.), gpt-4o-mini-transcribe 0,003 $ pro Minute (0,18 $/Std.), und das Live-Modell gpt-realtime-whisper rund 0,017 $ pro Minute.

Die Genauigkeit schwankt stark je nach Sprache. Whisper wurde mit rund 99 Sprachen trainiert, doch die Qualität ist bei ressourcenstarken Sprachen wie Englisch am besten und fällt bei selteneren merklich ab. Der lokale Betrieb der großen Modelle erfordert zudem eine leistungsfähige GPU, und bei langen Pausen halluziniert das Modell gelegentlich Text.

Whisper passt gut, wenn du eine kostenlose, selbst hostbare Transkriptions-Engine willst, breite Mehrsprachigkeit brauchst oder eine verwaltete API ohne eigene Pipeline bevorzugst. Wähle die gehosteten GPT-4o-Modelle, wenn du Diarisierung oder Live-Streaming direkt ab Werk benötigst.