Whisper

Was ist Whisper?

Whisper ist ein Open-Source-Spracherkennungsmodell von OpenAI, das im September 2022 veröffentlicht wurde. Es wurde auf einem riesigen Datensatz aus dem Internet trainiert und beherrscht Transkription, Übersetzung und Spracherkennung in über 99 Sprachen.

Das Besondere an Whisper: Es ersetzt eine ganze Pipeline aus spezialisierten Einzeltools durch ein einziges Modell. Statt separate Systeme für Spracherkennung, Sprachidentifikation und Übersetzung zu betreiben, erledigt Whisper alles in einem Schritt. Das Modell basiert auf einer Transformer-Architektur und verarbeitet Audio in 30-Sekunden-Fenstern.

Whisper steht unter der MIT-Lizenz. Das bedeutet: kostenlos, auch kommerziell einsetzbar, und du kannst es auf deiner eigenen Hardware betreiben. Alternativ bietet OpenAI eine API an, die die Transkription als Service bereitstellt.

Für wen eignet sich Whisper?

Whisper eignet sich für Unternehmen und Entwickler, die Spracherkennung in ihre Workflows oder Produkte integrieren wollen. Besonders relevant für Content-Teams, die Podcasts, Interviews oder Meetings transkribieren. Ebenso für Softwareunternehmen, die Spracherkennung in eigene Anwendungen einbauen wollen.

Für Unternehmen ohne technische Ressourcen ist die API der einfachste Einstieg. Wer dagegen Datenschutzanforderungen hat oder keine Audiodaten an externe Server senden will, profitiert vom lokalen Betrieb. Voraussetzung dafür ist allerdings eine leistungsfähige GPU.

Für Einzelanwender, die nur gelegentlich eine Aufnahme transkribieren wollen, ist Whisper technisch etwas anspruchsvoll. Hier sind fertige Tools wie Otter.ai oder Descript oft die bessere Wahl.

Whisper im Arbeitsalltag

Ein mittelständisches Unternehmen zeichnet regelmäßig interne Schulungen und Kundengespräche auf. Bisher wurden diese manuell transkribiert, was pro Stunde Audio etwa vier Stunden Arbeit bedeutete. Mit Whisper über die OpenAI API lässt sich eine Stunde Audio in wenigen Minuten transkribieren, bei Kosten von rund 0,36 USD. Die Transkripte fließen automatisch in das interne Wissensmanagementsystem ein. Bei vertraulichen Gesprächen läuft das Modell lokal, sodass keine Daten das Unternehmen verlassen.

Preise und Pläne

Whisper selbst ist vollständig kostenlos und Open Source (MIT-Lizenz). Lokaler Betrieb verursacht nur Hardware-Kosten.

Die OpenAI API bietet drei Modelle für Transkription: Whisper und GPT-4o Transcribe kosten jeweils 0,006 USD pro Minute (0,36 USD pro Stunde). GPT-4o Mini Transcribe kostet 0,003 USD pro Minute (0,18 USD pro Stunde). GPT-4o Transcribe bietet zusätzlich Sprechererkennung (Diarization) zum gleichen Preis. Neue Accounts erhalten 5 USD Startguthaben ohne Kreditkartenpflicht. Es gibt keine Abo-Modelle, keine Mindestabnahmen und keine Volumenrabatte. Stand: März 2026.

Stärken und Schwächen

Die größte Stärke von Whisper ist die Kombination aus hoher Genauigkeit und offenem Zugang. Mit einer Fehlerrate von 2,7 % bei sauberen Aufnahmen spielt es in der Liga kommerzieller Anbieter, kostet aber nichts. Die Sprachvielfalt mit über 99 Sprachen ist beeindruckend, und die Robustheit bei Akzenten und Hintergrundgeräuschen übertrifft viele Alternativen.

Die Schwächen liegen im Detail: Whisper verarbeitet Audio nicht in Echtzeit, sondern in 30-Sekunden-Blöcken. Das schließt Live-Untertitelung ohne Zusatztools aus. Bei schlechter Audioqualität treten Halluzinationen auf, das Modell erfindet dann Textpassagen, die im Audio nicht vorkommen. Und die Sprechererkennung fehlt im Open-Source-Modell komplett. Wer sie braucht, muss auf die API (GPT-4o Transcribe) oder Drittanbieter-Lösungen ausweichen.

Alternativen zu Whisper

AssemblyAI bietet eine kommerzielle Transkriptions-API mit Sprechererkennung und Zusammenfassung. Deepgram ist auf schnelle Echtzeit-Transkription spezialisiert. Google Cloud Speech-to-Text liefert Enterprise-Funktionen mit SLA und Support. Wer eine lokale Open-Source-Alternative sucht, kann Faster Whisper oder WhisperX in Betracht ziehen, die auf dem Whisper-Modell aufbauen und es um Geschwindigkeit oder Diarization erweitern.

Überblick

Whisper hat die Spracherkennung demokratisiert. Was vorher teure kommerzielle Software erforderte, ist jetzt als Open-Source-Modell verfügbar, mit einer Qualität, die für die meisten Anwendungsfälle mehr als ausreicht. Die API macht den Einstieg einfach, der lokale Betrieb gibt volle Kontrolle über die Daten. Wer Spracherkennung in Geschäftsprozesse integrieren will, findet hier einen soliden Baustein. Mehr dazu unter KI-Implementierung, Content-Erstellung und Automation & Prozessoptimierung.