Wie genau ist Whisper AI? Wortfehlerrate, Grenzen und Tipps (2026)

Von der Redaktion von whispertranscribe.ai · Zuletzt aktualisiert im November 2026 · 13 Min. Lesezeit · Kategorie: Transkriptionsgenauigkeit

Wie genau ist Whisper? Bei klar vorgelesenem Englisch gibt OpenAIs Forschungsarbeit für Whisper large-v2 eine Wortfehlerrate (WER) von 2,5 % an. Damit sind ungefähr 97 bis 98 von 100 Wörtern richtig. Bei schwierigen Aufnahmen steigt die Rate: 13,6 % bei Telefonaten, 24,9 % bei einem lauten Abendessen und 39,9 % bei einem Meeting mit einem einzigen entfernten Mikrofon.

Whisper ist OpenAIs Open-Source-Modell für Spracherkennung und die Grundlage vieler Transkriptions-Apps, auch unserer. In diesem Ratgeber geht es um Genauigkeit: was die WER misst, welche Werte die Studien je nach Aufnahme und Sprache ermitteln, wann Whisper Fehler macht und wie du es selbst testest. Mehr zum Modell steht im Ratgeber dazu, was Whisper AI ist.

Die meisten Zahlen stammen aus der Whisper-Forschungsarbeit (Radford et al., 2022). Darin wurden alle Modelle im Zero-Shot-Verfahren getestet, ohne zusätzliche Feinabstimmung auf die Testdatensätze. Die neuere Modellkarte zu large-v3 nennt in vielen Sprachen 10 % bis 20 % weniger Fehler als bei large-v2, führt aber keine vollständige Tabelle nach Datensatz auf. whispertranscribe.ai veröffentlicht diesen Artikel. Wir haben für ihn keine eigenen Genauigkeitstests durchgeführt.

Whisper-Genauigkeit im Überblick

Ein einzelner Testdatensatz reicht für die Antwort nicht aus. Die Aufnahmebedingungen haben den größten Einfluss auf den Wert. Die Tabelle zeigt OpenAIs Ergebnisse für large-v2 mit Beam Search und einem Wechsel der Sampling-Temperatur (Anhang, Tabelle 9), ausgewertet nach der Textnormalisierung von OpenAI.

Art der Aufnahme Testdatensatz der Studie WER von Whisper large-v2 Ungefährer Anteil richtiger Wörter
Hörbuch, klar vorgelesen LibriSpeech test-clean 2,5 % Etwa 97,5 von 100
Vorgelesene Nachrichten WSJ 2,6 % Etwa 97,4 von 100
TED-Vorträge TED-LIUM 3 3,7 % Etwa 96 von 100
Hörbuch, schwieriger verständliche Stimmen LibriSpeech test-other 4,9 % Etwa 95 von 100
Freiwillige mit eigenen Mikrofonen zu Hause Common Voice 5.1 8,2 % Etwa 92 von 100
Telefongespräche Switchboard 13,6 % Etwa 86 von 100
Ausführliche soziolinguistische Interviews CORAAL 14,2 % Etwa 86 von 100
Telefonate unter Verwandten und Freunden CallHome 16,4 % Etwa 84 von 100
Meetings mit einem Headset-Mikrofon pro Person AMI IHM 17,4 % Etwa 83 von 100
Abendessen mit entfernten Mikrofonen CHiME-6 24,9 % Etwa 75 von 100
Meetings mit einem entfernten Tischmikrofon AMI SDM1 39,9 % Etwa 60 von 100

Der „Anteil richtiger Wörter“ ist näherungsweise 100 minus WER. Das ist eine Vereinfachung, weil die WER auch hinzugefügte Wörter zählt.

Häufig wird stattdessen der Wert 2,7 % zitiert. Er stammt vom selben Modell mit dem einfacheren Greedy-Decoding (Tabelle 2 der Forschungsarbeit). Die AMI-Zeilen zeigen dieselben Meetings mit zwei Aufnahmevarianten. Der Wechsel vom Mikrofon am Kopf jeder Person zu einem Mikrofon in der Tischmitte erhöhte die Fehlerrate auf mehr als das Doppelte.

Was ist die Wortfehlerrate (WER) und wie wird sie berechnet?

Die Wortfehlerrate misst Abweichungen eines Transkripts von einer menschlich geprüften Referenz. Zähle drei Arten von Fehlern und teile die Summe durch die Zahl der Wörter in der Referenz:

WER = (Ersetzungen + Auslassungen + Einfügungen) ÷ Wörter in der Referenz

  • Ersetzung: Ein falsches Wort steht anstelle des richtigen (etwa „lunch“ statt „launch“).
  • Auslassung: Ein gesprochenes Wort fehlt im Transkript.
  • Einfügung: Ein Wort steht im Transkript, obwohl es niemand gesagt hat.

Das folgende Beispiel haben wir selbst erstellt und mit der Open-Source-Bibliothek jiwer ausgewertet:

Zeile Text
Referenz (22 Wörter) we moved the product launch to march ninth because the vendor missed two deadlines and doctor patel wants a new test plan
Transkript we moved the product lunch to march ninth because vendor missed two deadlines and doctor battle wants a new test plan today
Fehler 2 Ersetzungen (lunch, battle), 1 Auslassung (the), 1 Einfügung (today)
WER 4 ÷ 22 = 18,2 %

Drei Eigenschaften der WER werden leicht übersehen:

  1. Sie kann über 100 % liegen. Die Zahl eingefügter Wörter ist unbegrenzt. In den Fleurs-Ergebnissen der Forschungsarbeit liegen einige Sprachen mit wenig Trainingsmaterial über 100 %.
  2. Die Normalisierung ändert den Wert. „Dr.“ gegenüber „doctor“ gilt als Fehler, wenn beide Texte unterschiedlich bereinigt wurden. Laut OpenAI senkte der Normalisierer die WER bei manchen Datensätzen um bis zu 50 %, vor allem durch das Entfernen von Formatierungsunterschieden.
  3. Für manche Sprachen gilt die Zeichenfehlerrate (CER). Bei Chinesisch, Japanisch, Thai, Laotisch und Birmanisch, die Wörter nicht durch Leerzeichen trennen, wertet die Studie einzelne Zeichen aus.

Eine Genauigkeitsangabe lässt sich erst einordnen, wenn Testdatensatz und Auswertungsmethode genannt sind. Das gilt auch für unsere Angaben.

Wie genau ist Whisper auf Englisch?

Bei deutlichem Englisch ist Whisper sehr genau und liefert auch bei schwierigeren Aufnahmen brauchbare Ergebnisse. In der Forschungsarbeit machte es über 12 weitere englische Datensätze hinweg 55,2 % weniger Fehler als ein überwachtes wav2vec-2.0-Modell, das bei LibriSpeech fast denselben Wert erreicht hatte.

Lange Aufnahmen

Whisper verarbeitet jeweils 30 Sekunden Audio. Die Forschungsarbeit testete lange Dateien daher separat (Anhang, Tabelle 16, large-v2):

Datensatz mit langen Aufnahmen Inhalt WER
TED-LIUM 3 11 vollständige TED-Vorträge 3,5 %
Meanwhile 64 Ausschnitte aus dem Spätprogramm mit vielen ungewöhnlichen Wörtern 5,1 %
Kincaid46 46 unterschiedliche Aufnahmen aus einem Vergleich von 2018 8,8 %
Earnings-21 Telefonkonferenzen zu Unternehmensergebnissen 9,7 %
Rev16 16 Podcastfolgen 11,3 %
Earnings-22 Weitere Telefonkonferenzen zu Unternehmensergebnissen, viele Akzente 12,6 %
CORAAL 231 vollständige Interviews auf afroamerikanischem Englisch 19,6 %

Whisper im Vergleich mit professioneller Transkription

OpenAI ließ 25 Kincaid46-Aufnahmen von vier rein manuellen und einem computergestützten Dienst transkribieren. Der computergestützte Dienst lag bei der Wortfehlerrate um 1,15 Prozentpunkte vor Whisper. Die rein manuellen Dienste waren um einen Bruchteil eines Prozentpunkts besser. Laut Forschungsarbeit kam Whisper der Genauigkeit menschlicher Transkription sehr nahe, erreichte sie aber nicht ganz.

Die Größe des Modells spielt eine Rolle

Whisper gibt es in mehreren Größen. Apps geben nicht immer an, welche sie verwenden (Anhang, Tabelle 9):

Modell Parameter LibriSpeech clean Common Voice 5.1 Switchboard CHiME-6
tiny 39 Mio. 6,7 % 26,1 % 18,3 % 48,0 %
base 74 Mio. 4,9 % 19,4 % 15,6 % 40,0 %
small 244 Mio. 3,3 % 12,8 % 13,3 % 30,9 %
medium 769 Mio. 2,7 % 9,7 % 13,2 % 27,6 %
large-v2 1550 Mio. 2,5 % 8,2 % 13,6 % 24,9 %

Bei schwierigeren Aufnahmen wächst der Unterschied: rund 4 Prozentpunkte bei klaren Hörbüchern und 23 beim Abendessen. Das neuere Modell turbo ist eine optimierte Variante von large-v3. Laut OpenAIs GitHub-README verliert es nur wenig Genauigkeit und transkribiert dafür deutlich schneller.

Wie genau ist Whisper in anderen Sprachen?

Außerhalb des Englischen hängt die Genauigkeit vor allem davon ab, wie viel Audiomaterial in der jeweiligen Sprache zum Training vorlag. Die Forschungsarbeit nennt eine quadrierte Korrelation von 0,83 zwischen logarithmierten Trainingsstunden und logarithmierter WER. Der Schätzung zufolge halbiert sich die WER bei jedem 16-fachen Datenumfang. Für die meisten der 96 nicht englischen Sprachen lagen weniger als 1.000 Stunden vor.

Ausgewählte Fleurs-Ergebnisse (vorgelesene Sätze, large-v2, Anhang, Tabelle 13):

Sprache Fleurs-WER Hinweis
Spanisch 3,0 % Niedrigster Wert der Tabelle
Englisch 4,2 %
Portugiesisch 4,3 %
Deutsch 4,5 %
Japanisch 5,3 % Zeichenfehlerrate
Russisch 5,6 %
Französisch 8,3 %
Koreanisch 14,3 % Als Ausreißer markiert
Chinesisch 14,7 % Zeichenfehlerrate
Arabisch 16,0 %
Hindi 21,5 %
Hebräisch 27,1 % Als Ausreißer markiert
Swahili 39,3 %
Telugu 99,0 % Als Ausreißer markiert

Bei Hebräisch, Telugu, Chinesisch und Koreanisch fielen die Ergebnisse schlechter aus, als anhand der Trainingsdaten zu erwarten war. Mögliche Gründe sind sprachliche Unterschiede, ein für diese Schriften weniger geeigneter Tokenizer oder die Datenqualität. Fleurs enthält vorgelesene Sprache. Bei freien Gesprächen kannst du mit höheren Fehlerraten rechnen. In der README gibt es eine neuere Grafik zu large-v3 und large-v2 bei Common Voice 15 und Fleurs.

Die Ergebnisse für Spanisch sind vielversprechend, wenn du spanische Aufnahmen in Text umwandelst. Bei Sprachen mit wenig Trainingsmaterial teste einen kurzen Ausschnitt, bevor du ein ganzes Projekt verarbeitest.

Was beeinflusst die Genauigkeit von Whisper?

Die Aufnahmebedingungen haben den größten Einfluss. Forschungsarbeit und Modellkarte zeigen dazu Folgendes:

Faktor Was die Ergebnisse zeigen Was hilft
Hintergrundgeräusche Bei Kneipenlärm mit einem Signal-Rausch-Abstand unter 10 dB schnitt Whisper besser als alle 14 Vergleichsmodelle ab. Mit zunehmendem Lärm wurden alle Modelle schlechter. In einem ruhigen Raum aufnehmen, fern von Lüftern und Musik.
Abstand zum Mikrofon Dieselben AMI-Meetings: 17,4 % mit Headsets, 39,9 % mit einem Tischmikrofon Das Mikrofon nah an der sprechenden Person halten.
Gespräche und überlappende Stimmen Telefonate und Abendessen: 13,6 % bis 24,9 %, gegenüber 2,5 % bei vorgelesener Sprache Nacheinander sprechen. Möglichst ein Mikrofon pro Person.
Akzente und Dialekte Laut Modellkarte schwankt die Genauigkeit je nach Akzent und Dialekt. Lange CORAAL-Interviews erreichten 19,6 %. Mit Stimmen testen, die deinen tatsächlichen Aufnahmen entsprechen.
Seltene Wörter und Fachsprache Guter Wert bei Meanwhile mit vielen ungewöhnlichen Begriffen (5,1 %). Namen und Fachwörter bleiben jedoch häufige Fehlerquellen. Namen und Begriffe mit einer Liste abgleichen.
Verfügbare Sprachdaten Die Fleurs-WER reicht von 3,0 % (Spanisch) bis 99,0 % (Telugu). Sprache selbst wählen und bei Sprachen mit weniger Trainingsdaten mehr Zeit zum Korrekturlesen einplanen.
Modellgröße tiny erreicht 48,0 % bei CHiME-6, large-v2 24,9 %. Nachfragen, welches Modell ein Tool verwendet, oder das größte verfügbare Modell nutzen.
Dateiformat und Abtastrate Whisper wandelt jede Aufnahme in Mono mit 16 kHz um. WAV mit 48 kHz bietet keinen Vorteil gegenüber einer klaren Datei mit 16 kHz.

Wenn du eine MP3 als größere WAV-Datei speicherst, kehren verlorene Details nicht zurück. Eine saubere Aufnahme mit mäßiger Bitrate ist besser als eine verrauschte mit hoher Bitrate.

Bekannte Whisper-Fehler: Halluzinationen, Wiederholungen und Zeitstempel

OpenAI dokumentiert diese Fehler. Ihr Einfluss auf die Nutzbarkeit ist oft größer, als die Wortfehlerrate vermuten lässt.

Halluzinationen

Whisper kann Wörter schreiben, die niemand gesagt hat. Laut Modellkarte kann die Ausgabe Text enthalten, der in der Aufnahme nicht ausgesprochen wurde, vermutlich weil das Modell auch wahrscheinliche Folgewörter vorhersagt. Die Forschungsarbeit erwähnt als Extremfall eine vollständige Halluzination, also eine Ausgabe ohne Bezug zur Aufnahme.

Für die unabhängige Studie Careless Whisper (Koenecke et al., 2024) wurden im April und Mai 2023 insgesamt 13.140 Audioabschnitte mit OpenAIs Whisper-API verarbeitet. Rund 1 % der Transkripte (im Durchschnitt 1,4 %) enthielten ganze erfundene Wortgruppen oder Sätze. Darunter enthielten 38 % schädliche Inhalte wie Gewalt oder falsche Verknüpfungen. Bei Stimmen mit längeren Pausen, hier von Menschen mit Aphasie, trat das häufiger auf. Die API wurde seitdem verändert. Die Messwerte stammen aus 2023.

Wiederholungsschleifen und ausgelassene Wörter

Die Modellkarte beschreibt eine Neigung zu Wiederholungen, die sich mit Beam Search und einer Anpassung der Sampling-Temperatur abmildern lässt. Die Forschungsarbeit nennt außerdem fehlende Wörter am Anfang oder Ende eines Abschnitts. Änderungen an der Dekodierung senkten die durchschnittliche WER für längere Aufnahmen von 11,0 % auf 10,0 %. Fehler blieben bestehen.

Stille, Musik und Füllwörter

Erfundener Text taucht besonders in langen Pausen und bei Musik auf. Laut Forschungsarbeit ist Whispers Signal für „keine Sprache“ allein unzuverlässig. Der Open-Source-Code kann inzwischen lange Pausen überspringen, wenn das System eine wahrscheinliche Halluzination erkennt.

Abweichende Zeitstempel bei langen Dateien

Whisper verarbeitet lange Aufnahmen in 30-Sekunden-Fenstern. Das nächste Fenster beginnt anhand der zuvor vorhergesagten Zeitstempel. Laut Forschungsarbeit kann sich daher ein Fehler in einem Fenster auf das nächste auswirken. Zeitstempel für einzelne Wörter sind im Code als experimentell gekennzeichnet. Prüfe bei Untertiteln die Zeitangaben rund um Pausen stichprobenartig.

Bei der Entwicklung beobachtete OpenAI auch, dass Whisper Namen erriet, die fast immer falsch waren. Die veröffentlichten Modelle wurden nachtrainiert, um das einzudämmen. Prüfe dennoch alle Namen im Text.

10 Tipps für genauere Whisper-Transkripte

Am meisten kannst du vor dem Transkribieren verbessern. Die Reihenfolge richtet sich ungefähr nach der Wirkung:

  1. Mikrofon nah an die Stimme bringen. Allein der Abstand hat die Fehlerrate bei den AMI-Meetings mehr als verdoppelt.
  2. Störgeräusche direkt reduzieren. Fenster schließen, Lüfter ausschalten, Musik anhalten.
  3. Gleichzeitiges Sprechen vermeiden. Nacheinander zu sprechen hilft mehr als jede Einstellung.
  4. Lange Pausen und Musik-Intros kürzen, weil dort häufig erfundener Text entsteht. Schneide in Pausen und nicht mitten im Satz.
  5. Sprache selbst wählen. In 82 Sprachen von Fleurs erkannte Whisper die Sprache in 80,3 % der Fälle richtig. Bei kurzen Aufnahmen und Akzenten kann die automatische Erkennung danebenliegen.
  6. Das größte verfügbare Modell verwenden, besonders bei lauten Aufnahmen.
  7. Beim Selbstbetrieb Namen und Fachbegriffe vorgeben. Die Open-Source-Version von Whisper akzeptiert --initial_prompt mit den erwarteten Schreibweisen.
  8. Originaldatei hochladen. Wiederholtes Komprimieren oder erneutes Aufnehmen über Lautsprecher verliert Details.
  9. Begriffe prüfen. Suche alle Namen, Zahlen, Daten und Abkürzungen im Text und vergleiche sie mit der Aufnahme.
  10. In zwei Durchgängen prüfen. Korrigiere zuerst bei normaler Geschwindigkeit. Suche dann typische Anzeichen für Halluzinationen: wiederholte Zeilen, Text in Abschnitten ohne Sprache und Schlussformulierungen wie „Danke fürs Zuschauen“. Lass rechtliche, medizinische oder zur Veröffentlichung bestimmte Texte vollständig von Menschen prüfen.

Whispers Genauigkeit mit eigenen Aufnahmen messen

Ein 30-minütiger Test mit eigenen Aufnahmen liefert die beste Schätzung für deine Aufgaben. Die Schritte sind für deinen eigenen Test gedacht. Sie beschreiben keinen Test von whispertranscribe.ai.

  1. Wähle drei Clips von je 2 Minuten, die deinen Aufnahmen entsprechen: einen einfachen, einen typischen und einen schwierigen.
  2. Schreibe ein Referenztranskript von Hand und halte dich an den Wortlaut. Lege vorher fest, ob „äh“ erhalten bleibt und ob Zahlen in Ziffern oder als Wörter geschrieben werden.
  3. Transkribiere jeden Clip mit dem gewünschten Tool und speichere die Texte als Klartext.
  4. Normalisiere beide Texte nach denselben Regeln. OpenAIs Normalisierer ist in openai-whisper enthalten.
  5. Berechne die WER mit jiwer:
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer

norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())

out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%}  S={out.substitutions} D={out.deletions} I={out.insertions}")
  1. Zähle kritische Fehler separat. Fünf falsche Füllwörter und fünf falsche Kundennamen ergeben dieselbe WER, haben aber andere Folgen.
  2. Halte die Ergebnisse fest, damit du Tools oder Einstellungen vergleichen kannst:
Clip Aufnahmebedingungen Wörter in der Referenz S D I WER Kritische Fehler
Clip A Ruhiger Raum, eine Stimme 310
Clip B Videoanruf, zwei Stimmen 285
Clip C Café, Stimme mit Akzent 296

Die Wortzahlen sind Platzhalter. Zu Schritt 4: In einem selbst geschriebenen Beispielsatz setzte OpenAIs englischer Normalisierer „Dr.“ mit „doctor“ und „two“ mit „2“ gleich, wertete „9th“ gegenüber „ninth“ aber als Fehler. Lies die markierten Abweichungen, bevor du den Messwert verwendest.

Wie genau ist whispertranscribe.ai?

whispertranscribe.ai ist ein browserbasiertes KI-Transkriptionstool auf Basis von Whisper. Es unterstützt mehr als 130 Sprachen und Dateien bis 5 GB und 10 Stunden. Bei klarem Ton erreicht es bis zu 99 % Genauigkeit. Störgeräusche, starke Akzente und überlappende Stimmen verringern sie, wie die obigen Vergleichswerte für Whisper selbst zeigen. Die Forschungswerte sind kein Testergebnis unseres Produkts, und wir haben keine eigenen Vergleichsmessungen veröffentlicht. Teste eigene Ausschnitte mit den Schritten oben.

  • Optionen für verrauschte oder minderwertige Aufnahmen (Noise / Low-Quality Audio/Video) in der Sprachauswahl für viele Sprachen. Teste bei lauten Aufnahmen die Standardoption und den Modus für verrauschten Ton und vergleiche beide.
  • Mehr als 130 Sprachen, Multilingual Mix und Audioübersetzung ins Englische.
  • Dateien bis 5 GB und 10 Stunden, Sprechererkennung und Zeitstempel (alle Funktionen).
  • Klarer Ton: Direkt im Browser aufnehmen und das Mikrofon nah halten oder Video in MP3 umwandeln und nur die Tonspur hochladen.
  • Exporte als DOCX, PDF, TXT, CSV, SRT und VTT sowie ein Untertitelgenerator für Untertitel mit Zeitangaben.

Du kannst kostenlos und ohne Konto starten. Kostenpflichtige Tarife beginnen bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung (Preise ansehen).

Häufig gestellte Fragen

Ist Whisper zu 99 % genau?

Das hängt von der Aufnahme ab. Whispers bestes veröffentlichtes Ergebnis war eine Wortfehlerrate von 2,5 % bei LibriSpeech test-clean, einem Datensatz mit klar vorgelesenen Hörbüchern. Das entspricht rund 97,5 % richtigen Wörtern. Bei Telefonaten, Meetings und Aufnahmen mit Störgeräuschen reichen OpenAIs eigene Werte von rund 13 % bis 40 % WER. Eine Angabe von „99 %“ lässt sich nur einordnen, wenn die Aufnahmebedingungen bekannt sind. Beurteile Tools auf Basis von Whisper, auch whispertranscribe.ai, anhand deiner eigenen Aufnahmen.

Welches Whisper-Modell ist am genauesten?

Die großen Modelle sind am genauesten. In OpenAIs Forschungsarbeit erzielte large-v2 auf den meisten Datensätzen die niedrigsten Fehlerraten. Die Modellkarte zu large-v3 nennt 10 % bis 20 % weniger Fehler als bei large-v2 in vielen Sprachen. Das Modell turbo ist eine schnellere Variante von large-v3, die laut OpenAI nur wenig Genauigkeit einbüßt. Das kleinste Modell, tiny, liegt bei schwierigen Aufnahmen deutlich zurück: 48,0 % WER bei einem lauten Abendessen gegenüber 24,9 % bei large-v2.

Warum schreibt Whisper Wörter, die niemand gesagt hat?

Whisper kann halluzinieren, weil es wahrscheinlichen Text vorhersagt und zugleich Sprache transkribiert. OpenAIs Modellkarte weist darauf hin, dass dadurch Text entstehen kann, der in der Aufnahme fehlt. Das passiert besonders häufig bei langen Pausen, Musik oder Lärm. In einer unabhängigen Erhebung aus 2023 enthielten rund 1 % der Transkripte erfundene Wortgruppen. Pausen machten sie wahrscheinlicher. Kürze lange Pausen, stelle die Sprache selbst ein und prüfe leise Abschnitte des Transkripts.

Wie genau ist Whisper bei Akzenten?

Whisper erkennt viele Akzente besser als ältere Systeme, aber nicht gleich gut. Laut OpenAIs Modellkarte schwankt die Genauigkeit zwischen Akzenten und Dialekten derselben Sprache. In der Forschungsarbeit lag die WER bei langen Interviews auf afroamerikanischem Englisch (CORAAL) bei 19,6 % und bei vollständigen TED-Vorträgen bei 3,5 %. Auch die Aufnahmebedingungen waren unterschiedlich. Teste einen Ausschnitt mit Stimmen aus deinen tatsächlichen Aufnahmen und plane bei starken Akzenten mehr Zeit zur Prüfung ein.

Ist Whisper so genau wie professionelle Transkription?

Bei Englisch kommt Whisper nah heran. Die besten Dienste schnitten besser ab. OpenAI verglich Whisper bei 25 Aufnahmen mit fünf professionellen Diensten. Der computergestützte Dienst hatte insgesamt eine um 1,15 Prozentpunkte niedrigere WER. Vier rein manuelle Dienste lagen um einen Bruchteil eines Prozentpunkts vorn. Menschen kommen meist besser mit Namen, überlappenden Stimmen und schwer verständlichen Passagen zurecht. Lass Zitate und Texte für Akten oder Veröffentlichungen von einer Person mit der Aufnahme abgleichen.

Wie genau ist Whisper in anderen Sprachen als Englisch?

Das hängt von der Sprache ab. Im Fleurs-Benchmark erzielte large-v2 eine WER von 3,0 % auf Spanisch, 4,5 % auf Deutsch und 8,3 % auf Französisch, verglichen mit 27,1 % auf Hebräisch und 99,0 % auf Telugu. Für Chinesisch und Japanisch wurde die Zeichenfehlerrate berechnet: 14,7 % bzw. 5,3 %. Laut Studie hängt die Genauigkeit davon ab, wie viel Audiomaterial je Sprache im Training enthalten war. Teste bei Sprachen mit wenigen Trainingsdaten zuerst einen kurzen Clip und rechne mit mehr Korrekturaufwand.

Genauigkeit mit einer eigenen Aufnahme testen

Benchmarks messen andere Aufnahmen. Lade einen Ausschnitt in einer von mehr als 130 Sprachen zu whispertranscribe.ai hoch und bewerte ihn mit den Schritten in diesem Ratgeber. Kostenlos ohne Konto starten oder Tarife vergleichen.

Weitere Artikel: Was ist Whisper AI? · Kostenlose Transkriptionssoftware im Vergleich · Alternativen zu TurboScribe · YouTube-Video transkribieren · Was ist eine SRT-Datei? · Hard Subs und Soft Subs

Quellen

Möchten Sie Ihre Aufnahmen in Text umwandeln?

Transkribieren Sie Audio und Video mit whispertranscribe.ai.

Transkription starten ↗