Von der Redaktion von whispertranscribe.ai · Zuletzt aktualisiert im November 2026 · 13 Min. Lesezeit
Was ist Whisper AI? Meist ist damit OpenAI Whisper gemeint, ein Spracherkennungsmodell, das OpenAI im September 2022 als Open Source veröffentlicht hat. Es wandelt Aufnahmen in Text um, erkennt die gesprochene Sprache und übersetzt andere Sprachen ins Englische. OpenAI hat es mit 680.000 Stunden Audio aus dem Internet trainiert und den Code sowie die Modellgewichte unter der MIT-Lizenz veröffentlicht.
Zur Einordnung: Wir entwickeln whispertranscribe.ai. whispertranscribe.ai ist ein browserbasiertes KI-Tool, das Audio und Video in mehr als 130 Sprachen transkribiert. Dieser Ratgeber unterscheidet zwischen dem Modell und den darauf aufbauenden Produkten. Alle Zahlen zum Modell stammen aus OpenAIs Forschungsarbeit, Repository oder Modellkarte.
Kurz erklärt: Was ist Whisper AI?
Whisper ist ein Modell zur Umwandlung von Sprache in Text. Du kannst es aus OpenAIs GitHub-Repository herunterladen und auf deinem eigenen Computer ausführen oder einen Dienst nutzen, der das Modell für dich betreibt.
- Entwickelt von: OpenAI. Die Forschungsarbeit Robust Speech Recognition via Large-Scale Weak Supervision erschien am 6. Dezember 2022 auf arXiv.
- Funktionen: Sprache transkribieren, die Sprache erkennen, Gesprochenes ins Englische übersetzen und Abschnitte mit Zeitstempeln versehen.
- Zusätzliche Software nötig für: Sprecherangaben und Live-Transkription. Laut OpenAIs Modellkarte ist Echtzeittranskription ohne zusätzliche Anpassungen nicht möglich.
- Größen: Sechs, von tiny (39 Millionen Parameter) bis large (1.550 Millionen).
- Kosten: Download und Ausführung sind kostenlos. Du stellst die Hardware.
Drei Bedeutungen von „Whisper AI“
Der Name wird unterschiedlich verwendet. Diese drei Bedeutungen werden leicht verwechselt.
| Was als „Whisper AI“ bezeichnet wird | Was es ist | Anbieter | So verwendest du es |
|---|---|---|---|
| OpenAI Whisper | Ein Open-Source-Spracherkennungsmodell | OpenAI | Code und Gewichte herunterladen und selbst ausführen |
| whisper-1 | OpenAIs gehostetes API-Modell für Transkription | OpenAI | Audiodateien an OpenAIs API senden und pro Nutzung bezahlen |
| Apps mit „Whisper“ im Namen | Transkriptionsprodukte wie whisperai.com und whispertranscribe.ai (diese Website) | Unterschiedliche Unternehmen | In den jeweiligen Apps Audio hochladen oder aufnehmen |
Die Produkte in der dritten Zeile sind eigenständige Dienste. Jedes Unternehmen legt Funktionen, Grenzen, Preise und Datenschutzbedingungen selbst fest. In diesem Artikel steht „Whisper“ für OpenAIs Modell.
Wie funktioniert Whisper?
Whisper ist ein Encoder-Decoder-Transformer. Der Encoder wandelt 30 Sekunden Audio in eine numerische Darstellung um. Der Decoder erzeugt dann den zugehörigen Text Token für Token. Besondere Token geben vor, welche Aufgabe das Modell ausführt.
Die Whisper-Forschungsarbeit beschreibt diese Verarbeitungsschritte:
- Abtastrate umrechnen. Audio wird auf 16.000 Hz umgerechnet.
- 30-Sekunden-Fenster bilden. Das Modell betrachtet jeweils 30 Sekunden. Kürzere Clips werden aufgefüllt.
- Spektrogramm erzeugen. Jedes Fenster wird zu einem Log-Mel-Spektrogramm mit 80 Kanälen. Es zeigt, wie sich die Schallenergie auf unterschiedlichen Frequenzen mit der Zeit verändert. Die Berechnung erfolgt alle 10 Millisekunden für einen Abschnitt von 25 Millisekunden. (Large-v3 verwendet 128 Kanäle.)
- Kodieren. Zwei Faltungsschichten und mehrere Transformer-Blöcke verarbeiten das Spektrogramm.
- Dekodieren. Der Decoder sagt zuerst die Sprache oder ein Token für „keine Sprache“ voraus. Dann folgen die Aufgabe (Transkription oder Übersetzung), die Entscheidung über Zeitstempel und schließlich der Text.
Zeitstempel werden ebenfalls als Token vorhergesagt und auf die nächsten 20 Millisekunden gerundet. So kann ein einziges Modell die gesprochene Sprache bestimmen, transkribieren, übersetzen und Zeitangaben setzen.
Womit wurde Whisper trainiert?
Die ursprünglichen Modelle wurden mit 680.000 Stunden Audio aus dem Internet und den zugehörigen Transkripten trainiert. OpenAI nennt das „schwach überwachtes Lernen“, weil diese Transkripte nicht wie Benchmark-Datensätze von Hand geprüft wurden.
| Anteil am Trainingsaudio | Stunden | Inhalt |
|---|---|---|
| Rund 65 % | 438.000 | Englisches Audio mit englischen Transkripten |
| Rund 18 % | 126.000 | Nicht englisches Audio mit englischen Transkripten (Übersetzungsdaten) |
| Rund 17 % | 117.000 | Nicht englisches Audio mit Transkripten in derselben Sprache |
Quelle ist die Whisper-Modellkarte von OpenAI. Die Forschungsarbeit rundet den Anteil für Übersetzungen auf 125.000 Stunden.
Zwei Details erklären das Verhalten von Whisper. OpenAI hat Transkripte aussortiert, die maschinell erzeugt wirkten, etwa Texte, die nur aus Großbuchstaben bestanden. So hat das Modell gelernt, Sätze mit Satzzeichen zu schreiben. Frühe Modelle errieten manchmal die Namen der Sprechenden, weil viele Transkripte aus dem Internet solche Namen enthielten. OpenAI hat dem Modell das durch Feinabstimmung abgewöhnt. Das Beispiel zeigt, wie stark es die Trainingsdaten nachahmt.
Large-v3 wurde anders trainiert, laut Modellkarte auf Hugging Face mit rund 5 Millionen Stunden: 1 Million mit schwachen Kennzeichnungen aus dem Web und 4 Millionen, die large-v2 beschriftet hat.
Whisper-Modellgrößen im Vergleich
Whisper gibt es in sechs Größen. Kleinere Modelle sind auf schwächerer Hardware schneller. Größere machen weniger Fehler, brauchen aber mehr Grafikspeicher (VRAM). Die Zahlen stammen aus OpenAIs README.
| Größe | Parameter | Nur Englisch | Mehrsprachige Version | Benötigter VRAM | Geschwindigkeit gegenüber large |
|---|---|---|---|---|---|
| tiny | 39 Mio. | tiny.en | tiny | ca. 1 GB | ca. 10-fach |
| base | 74 Mio. | base.en | base | ca. 1 GB | ca. 7-fach |
| small | 244 Mio. | small.en | small | ca. 2 GB | ca. 4-fach |
| medium | 769 Mio. | medium.en | medium | ca. 5 GB | ca. 2-fach |
| large | 1550 Mio. | Keine | large | ca. 10 GB | 1-fach |
| turbo | 809 Mio. | Keine | turbo | ca. 6 GB | ca. 8-fach |
OpenAI hat die Geschwindigkeit mit englischen Aufnahmen auf einer A100-Rechenzentrums-GPU gemessen. Laut OpenAI kann sie im Alltag deutlich abweichen. Ein Laptop ist langsamer.
Welche Whisper-Version solltest du wählen?
Entscheidend sind dein verfügbarer Speicher und der Zweck des Transkripts:
- Auf einem einfachen Rechner testen: tiny oder base mit rund 1 GB VRAM. Rechne mit mehr Fehlern.
- Nur Englisch: Verwende ein Modell mit
.en. Laut OpenAI liefern diese Modelle besonders in den Größen tiny und base bessere Ergebnisse. - Gute Qualität bei angemessener Geschwindigkeit: turbo mit rund 6 GB. Es ist das Standardmodell des Kommandozeilentools.
- Gesprochenes ins Englische übersetzen: medium oder large. Turbo ist nicht für Übersetzungen trainiert. Es gibt selbst bei einem Übersetzungsauftrag die Originalsprache aus.
- Schwierige Aufnahme und bestmögliches Ergebnis: large mit rund 10 GB VRAM.
Whisper-Versionen im Zeitverlauf
„Large“ wurde in drei Versionen veröffentlicht. Turbo ist eine schlankere Variante von large-v3. Die Ergebnisse unterscheiden sich je nach Modellversion.
| Version | Veröffentlichung | Was sich geändert hat |
|---|---|---|
| Ursprüngliche Modelle (tiny bis large) | September 2022 | Erste Open-Source-Veröffentlichung mit der Forschungsarbeit |
| large-v2 | Dezember 2022 | Gleiche Größe, 2,5-mal länger trainiert, mit zusätzlicher Regularisierung |
| large-v3 | November 2023 | 128 Mel-Kanäle, neues Token für Kantonesisch und in vielen Sprachen 10 % bis 20 % weniger Fehler als v2 |
| turbo (large-v3-turbo) | September 2024 | Für mehr Geschwindigkeit von 32 auf 4 Decoderschichten reduziert. Keine Übersetzung. |
Quellen sind die Whisper-Modellkarte, die Fußnote zu large-v2 in der Studie und die Hugging-Face-Modellkarten zu large-v3 und large-v3-turbo.
Wie viele Sprachen unterstützt Whisper?
Whisper erkennt etwa 99 Sprachen. Der Sprachdetektor aus der Forschungsarbeit nutzte 99 Sprach-Token. Seit large-v3 Kantonesisch hinzugefügt hat, führt der aktuelle Tokenizer 100 Sprachcodes auf. Die Qualität ist je nach Sprache unterschiedlich. Laut Modellkarte erzielt Whisper in rund 10 Sprachen besonders gute Ergebnisse.
Die Qualität steigt mit dem Umfang der Trainingsdaten. Laut Forschungsarbeit lässt sich die Leistung für eine Sprache anhand der Stunden im Trainingsmaterial sehr gut vorhersagen. Für die meisten Sprachen umfasste das Material weniger als 1.000 Stunden. Englisch, Spanisch und Deutsch liefern daher meist bessere Ergebnisse als Sprachen mit wenigen Trainingsdaten. In der README findest du bei Bedarf eine Grafik mit Fehlerraten nach Sprache.
Die Sprachzahl hängt vom Produkt ab. whispertranscribe.ai unterstützt mehr als 130 Sprachen. Die Angabe bezieht sich auf unser Produkt. Auf der Preisseite steht „130+ Sprachen und Akzente“. Das Open-Source-Modell hat eine eigene Liste.
Wie genau ist Whisper?
Es gibt keine allgemeingültige Genauigkeitszahl, weil Modellgröße, Sprache und Aufnahme das Ergebnis beeinflussen. Bei klar vorgelesenem Englisch erreichte large-v2 eine Wortfehlerrate (WER) von 2,7 %. Über 14 englische Testdatensätze hinweg, darunter viele schwierigere, betrug sie im Mittel 12,8 %.
Die WER zählt ersetzte, ausgelassene und hinzugefügte Wörter im Vergleich zu einem menschlichen Referenztranskript. Ein niedrigerer Wert ist besser. Die Zahlen unten stammen aus Tabelle 2 der Forschungsarbeit. Sie vergleicht Whisper large-v2 mit einem wav2vec-2.0-Modell, das auf dem Hörbuchdatensatz LibriSpeech trainiert wurde:
| Testdatensatz | WER von wav2vec 2.0 | WER von Whisper large-v2 |
|---|---|---|
| LibriSpeech clean (vorgelesene Hörbücher) | 2,7 % | 2,7 % |
| Common Voice (von Freiwilligen aufgenommene Sprache) | 29,9 % | 9,0 % |
| CHiME-6 (Aufnahmen von Abendessen mit Hintergrundgeräuschen) | 65,8 % | 25,5 % |
| Mittelwert über alle 14 Testdatensätze der Tabelle | 29,3 % | 12,8 % |
Im Hörbuchtest lagen beide Modelle gleichauf. Bei den anderen Tests schnitt Whisper deutlich besser ab, mit durchschnittlich 55,2 % weniger Fehlern. OpenAI rundet das in der Ankündigung auf „50 % weniger Fehler“. In den Störgeräuschtests lagen die mit LibriSpeech trainierten Modelle bei fast sauberem Ton vorn. Bei lauten Hintergrundgeräuschen wie in einem Pub fielen sie unterhalb eines Signal-Rausch-Abstands von 10 dB zurück.
Diese Werte stammen aus Forschungsbenchmarks. Ergebnisse für deine Dateien hängen von den Aufnahmebedingungen ab. Produktangaben gelten separat: whispertranscribe.ai erreicht bei klarem Ton bis zu 99 % Genauigkeit. Störgeräusche, überlappende Stimmen und starke Akzente verringern sie.
Wo liegen die Grenzen von Whisper?
Whisper kann flüssig geschriebenen Text erzeugen, den niemand gesagt hat. OpenAIs Modellkarte nennt das Halluzination und führt es auf das schwach überwachte Training zurück. Sie nennt außerdem Wiederholungen, unterschiedliche Genauigkeit je nach Sprache und Akzent sowie fehlende Sprecherangaben.
- Halluzinationen. Laut der Studie Careless Whisper von 2024 enthielten etwa 1 % der geprüften Transkripte ganze Wortgruppen oder Sätze, die in der Aufnahme nicht vorkamen. Bei langen Sprechpausen traten Halluzinationen häufiger auf.
- Wiederholungsschleifen. Das Modell kann dieselbe Formulierung immer wieder ausgeben. Laut Modellkarte mindern Beam Search und ein Wechsel der Sampling-Temperatur das Problem teilweise.
- Fehlende Wörter am Anfang oder Ende. Die Forschungsarbeit nennt das Überspringen der ersten oder letzten Wörter eines Abschnitts als bekanntes Fehlverhalten.
- Lange Aufnahmen werden in Fenstern verarbeitet. Whisper sieht jeweils 30 Sekunden. Bei längeren Dateien verschiebt das Transkriptionstool das Fenster anhand der vorhergesagten Zeitstempel. Ein Fehler kann sich so auf das nächste Fenster auswirken.
- Keine integrierten Sprecherangaben. Laut Modellkarte wurde die Diarisierung, also die Zuordnung, wer wann spricht, nicht gründlich bewertet. Dafür brauchst du ein separates Tool.
- Echtzeit nur mit Ergänzungen. Das Modell wurde für vorhandene Aufnahmen entwickelt. Für Live-Untertitel braucht es zusätzliche Technik.
- Schwankende Qualität je nach Sprache und Akzent. Die Modellkarte nennt höhere Fehlerraten bei gewissen Akzenten, Dialekten und Bevölkerungsgruppen.
OpenAI warnt außerdem vor Transkription ohne Zustimmung der Aufgenommenen und vor dem Einsatz für Entscheidungen mit hohem Risiko.
Wo sich offizielle Quellen unterscheiden
Einige Zahlen in OpenAIs Dokumenten weichen voneinander ab, meist durch Rundung oder Versionswechsel. Prüfe die Quelle, bevor du eine Zahl zitierst:
| Thema | Eine offizielle Quelle sagt | Andere Angabe | Was du angeben kannst |
|---|---|---|---|
| Fehlerreduktion gegenüber LibriSpeech-Modellen | Studie: durchschnittlich 55,2 % weniger Fehler | OpenAI-Ankündigung: 50 % weniger Fehler | Zitiere die Studie und nenne den Vergleich. |
| Trainingssprachen außer Englisch | Forschungsarbeit: 96 weitere Sprachen | Modellkarte: 98 Sprachen | „Etwa 99 Sprachen“ für die Erkennung. |
| Trainingsstunden für Übersetzungen | Modellkarte: 126.000 | Forschungsarbeit: 125.000 | Beide sind als ungefähre Werte geeignet. |
| Parameterzahl von turbo | README und Hugging Face: 809 Mio. | Tabelle der Modellkarte: 798 Mio. | 809 Mio., wie in den meisten Quellen. |
| Umfang der Trainingsdaten | Ursprüngliche Forschungsarbeit: 680.000 Stunden | Modellkarte von large-v3: 5 Millionen Stunden | Nenne die Version, auf die du dich beziehst. |
| Lizenz | GitHub: MIT für Code und Gewichte | Hugging-Face-Metadaten von large-v3: Apache-2.0 | Prüfe die Lizenzdatei der heruntergeladenen Kopie. |
Whisper nutzen: lokal, per API oder in einer App
Du hast drei Möglichkeiten. Die lokale Ausführung ist kostenlos, und die Aufnahme bleibt auf deinem Gerät. OpenAIs API erspart die Einrichtung, hat aber eine Grenze pro Datei. Eine gehostete Transkriptions-App bietet Bearbeitung, Sprecherangaben und Exporte. Für diesen Dienst gelten die Bedingungen des jeweiligen Anbieters.
| Open-Source-Whisper ausführen | OpenAI-Transkriptions-API | Gehostete Transkriptions-App | |
|---|---|---|---|
| Einrichtung | Python, PyTorch und FFmpeg | Code und API-Schlüssel | Ein Browser |
| Kosten | Kostenlos mit eigener Hardware | Nach Nutzung | Kostenloser Tarif oder Abonnement, je nach App |
| Dateigrenzen | Durch deine Hardware bestimmt | 25 MB je Datei | Vom Anbieter festgelegt |
| Verarbeitungsort | Bleibt auf deinem Computer | Wird an OpenAI gesendet | Wird an die Server des Anbieters gesendet |
| Sprecherangaben | Nicht integriert | In whisper-1 nicht verfügbar | Je nach App |
| Bearbeitung und Export | TXT, SRT, VTT, TSV und JSON über die Kommandozeile | Ausgabe an deinen Code. Den Rest setzt du selbst um. | Meist ein Editor sowie Dokument- und Untertitel-Exporte |
Whisper auf deinem Computer ausführen
OpenAIs README nennt den Installationsbefehl und einen einfachen Aufruf:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Du brauchst auch FFmpeg. Laut README sollte der Code unter Python 3.8 bis 3.11 laufen. Mit --language gibst du die gesprochene Sprache an. Mit --task translate und einem geeigneten mehrsprachigen Modell erhältst du englischen Text. Beim ersten Aufruf werden die Modellgewichte heruntergeladen.
OpenAIs API verwenden
OpenAIs Speech-to-Text-Anleitung begrenzt Uploads auf 25 MB je Datei. Größere Aufnahmen musst du komprimieren oder aufteilen. Mit Stand November 2026 kennzeichnet die Anleitung whisper-1 als veraltet und nennt den 26. Februar 2027 als Abschaltdatum. Sie verweist auf neuere Transkriptionsmodelle von OpenAI, die zu einer anderen Modellfamilie gehören.
Eine gehostete Transkriptions-App verwenden
Wenn du nichts installieren möchtest, kannst du Dateien auf den Servern einer gehosteten App verarbeiten lassen. Eine Möglichkeit ist whispertranscribe.ai. Der kostenlose Audio-zu-Text-Konverter bietet einen einfachen Einstieg. Auf unserer Startseite beschreiben wir whispertranscribe.ai als Dienst mit Whisper und neuerer KI-Technik. Laut Produktseiten stehen diese Funktionen zur Verfügung:
- Audio oder Video bis zu 5 GB und 10 Stunden hochladen oder einen Link von YouTube, Vimeo, Google Drive oder Dropbox in Transkription per URL einfügen.
- Mehr als 130 Sprachen und zuschaltbare Sprechererkennung.
- Live-Transkription über dein Mikrofon sowie Aufnahme und Transkription im Browser.
- Exporte als DOCX, PDF, SRT, VTT, TXT und CSV, einschließlich Untertiteln aus dem KI-Untertitelgenerator.
- Audio ins Englische übersetzen für anderssprachige Aufnahmen.
Die Datei wird in der Cloud verarbeitet. Eine API, eigene Wörterbücher oder ein Meeting-Bot stehen nicht zur Verfügung. Kostenpflichtige Tarife beginnen bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung (Preise). Du kannst kostenlos und ohne Konto starten. Mehr dazu steht auf der Seite zum Whisper-KI-Transkriptionstool und in der Funktionsübersicht.
Ist Whisper Open Source und was erlaubt die Lizenz?
Ja. Laut OpenAIs Repository stehen Code und Modellgewichte von Whisper unter der MIT-Lizenz. Diese Lizenz gewährt weitreichende Rechte. Du darfst in der Regel Software, die auf diesem Code basiert, verwenden, kopieren, ändern und verkaufen, sofern der Urheberrechts- und Lizenzhinweis erhalten bleibt.
Kopien auf anderen Seiten können abweichende Lizenzangaben enthalten. Auf der Hugging-Face-Seite von large-v3 steht Apache-2.0. Lies die Lizenz der Kopie, die du tatsächlich nutzt. Die Softwarelizenz betrifft den Code und die Modellgewichte. Für deine Aufnahmen gelten weiterhin Regeln zu Einwilligung und Datenschutz. Dies sind allgemeine Informationen und keine Rechtsberatung. Offizielle Quelle ist der Text der MIT-Lizenz.
Für wen eignet sich Whisper?
Whisper eignet sich für Entwickler und alle, die mit einer Kommandozeile umgehen können und kostenlos, lokal und ohne Dienstlimits transkribieren wollen. Wenn du schnell ein fertiges Transkript mit Editor und mehreren Exportformaten brauchst, ist eine gehostete App meist einfacher.
| Deine Situation | Geeignete Option | Warum |
|---|---|---|
| Du entwickelst ein Produkt | Open-Source-Whisper oder API | Volle Kontrolle über die Verarbeitung |
| Du arbeitest mit vertraulichen Forschungsinterviews | Open-Source-Whisper lokal ausführen | Audio bleibt auf deinem Gerät. |
| Du brauchst diese Woche Untertitel für ein Video | Gehostete App mit SRT- oder VTT-Export | Keine Einrichtung und fertige Dateien mit Zeitstempeln für den Upload |
| Du nutzt einen Laptop ohne GPU | Kleines Modell lokal oder gehostete App | Große Modelle brauchen rund 10 GB VRAM. |
Checkliste vor der Verwendung eines Whisper-Transkripts
Diese Checkliste geht auf die bekannten Fehler in OpenAIs Forschungsarbeit und Modellkarte zurück:
- Pausen und leise Stellen stichprobenartig auf erfundene Sätze prüfen.
- Auf dieselbe Formulierung achten, wenn sie mehrfach hintereinander erscheint.
- Die erste und die letzte Zeile mit dem Ton vergleichen.
- Namen, Zahlen und Fachbegriffe überprüfen.
- Die erkannte Sprache kontrollieren oder sie selbst einstellen.
- Für Übersetzungen ein anderes Modell als turbo verwenden.
- Bei Bedarf die Sprecherangaben mit einem separaten Tool ergänzen.
- Vor Aufnahmen oder Transkriptionen anderer Personen deren Zustimmung einholen.
Häufig gestellte Fragen
Ist Whisper AI kostenlos?
Ja. Du kannst OpenAI Whisper kostenlos herunterladen und ausführen. Code und Modellgewichte stehen unter der MIT-Lizenz, sodass du OpenAI nichts für die Nutzung zahlst. Du stellst allerdings die Hardware. Das Modell large benötigt ungefähr 10 GB Grafikspeicher. OpenAIs API rechnet nach Nutzung ab und gehostete Transkriptions-Apps legen ihre Preise selbst fest. Für die lokale Einrichtung brauchst du Python, FFmpeg und Erfahrung mit der Kommandozeile.
Kann Whisper unterschiedliche Sprechende erkennen?
Nicht ohne zusätzliche Software. Whisper schreibt das Gesprochene auf, ordnet es aber keinen Personen zu. Laut OpenAIs Modellkarte wurden Funktionen wie die Sprecherdiarisierung nicht gründlich bewertet. Für Sprecherangaben lässt sich Whisper mit einem separaten Diarisierungstool kombinieren. Alternativ kannst du eine Transkriptions-App mit Sprechererkennung wählen. Bei whispertranscribe.ai lässt sich die Funktion beispielsweise vor dem Start aktivieren. Prüfe die Zuordnung immer, wenn Stimmen ähnlich klingen.
Kann Whisper in Echtzeit transkribieren?
Dafür braucht es zusätzliche Technik. Whisper wurde für aufgezeichnetes Audio entwickelt und verarbeitet jeweils 30 Sekunden. Laut OpenAIs Modellkarte ist es ohne Anpassungen nicht für Echtzeittranskription geeignet. Entwickler haben darauf aufbauende Tools für annähernde Echtzeit gebaut, die kurze Abschnitte bei Eingang verarbeiten. Wenn du Live-Untertitel brauchst, suche ein Tool mit Live-Modus. Dessen Ausgabe erfordert meist mehr Bearbeitung als ein Transkript aus der fertigen Aufnahme.
Wie viele Sprachen unterstützt Whisper?
Whisper erkennt etwa 99 Sprachen. Seit Kantonesisch in large-v3 hinzugefügt wurde, listet der aktuelle Tokenizer 100 Sprachcodes. Die Qualität variiert. OpenAIs Modellkarte nennt gute Ergebnisse in etwa 10 Sprachen. Laut Forschungsarbeit hatte das Modell bei den meisten Sprachen weniger als 1.000 Stunden Audio zum Trainieren. Teste eine weniger verbreitete Sprache zunächst mit einem kurzen Clip. Angaben wie die mehr als 130 Sprachen bei whispertranscribe.ai beschreiben die Unterstützung des Produkts. Das Open-Source-Modell hat eine eigene Sprachauswahl.
Sind whispertranscribe.ai und OpenAI Whisper dasselbe?
OpenAI Whisper ist ein Open-Source-Modell zum Herunterladen und Selbstbetreiben. whispertranscribe.ai ist ein eigener Transkriptionsdienst im Browser. Auf der Startseite steht, dass der Dienst Whisper und neuere KI-Technik nutzt. Er bietet zusätzliche Funktionen wie Uploads bis 5 GB, Import per Link von YouTube oder Google Drive, Sprechererkennung und Export als DOCX, PDF, SRT oder VTT. Andere Apps mit „Whisper“ im Namen sind eigenständige Produkte anderer Unternehmen.
Warum schreibt Whisper manchmal Wörter, die niemand gesagt hat?
Whisper sagt Text ähnlich wie ein Sprachmodell voraus. Laut Modellkarte kann das Training mit umfangreichen, fehlerbehafteten Webdaten dazu führen, dass das Modell Wörter ausgibt, die in der Aufnahme fehlen. OpenAI erklärt dies damit, dass Whisper die Vorhersage des nächsten wahrscheinlichen Worts mit der Transkription des Tons verbindet. Eine Studie aus dem Jahr 2024 fand in rund 1 % der geprüften Transkripte ganze erfundene Formulierungen, häufiger im Umfeld langer Pausen. Gleiche Pausen, leise Stellen und alles Wichtige mit der Aufnahme ab.
Möchtest du mit Whisper transkribieren, ohne es einzurichten? Lade eine Datei hoch oder füge einen Link in whispertranscribe.ai ein. Du erhältst Text in mehr als 130 Sprachen und kannst ihn als DOCX, PDF, SRT oder VTT exportieren.
Quellen
- OpenAI: Vorstellung von Whisper (21. September 2022)
- Radford et al.: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: GitHub-Repository und README zu Whisper, Modellkarte und MIT-Lizenz
- Hugging Face: Modellkarte zu openai/whisper-large-v3
- OpenAI-API-Dokumentation: Speech-to-Text-Anleitung (geprüft im November 2026)
- Koenecke et al.: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
