Whisper

Was ist Whisper?

Whisper ist ein System zur automatischen Spracherkennung, in der Fachsprache ASR. OpenAI hat das neuronale Netz trainiert und als Open Source veröffentlicht; die Ankündigung trägt das Datum 21. September 2022. In das Training flossen laut Anbieter 680.000 Stunden mehrsprachiger und multitaskingfähiger überwachter Daten aus dem Internet.

Das Modell transkribiert Audio in mehrere Sprachen und übersetzt gesprochene Sprache aus diesen Sprachen ins Englische. Beides erledigt dasselbe Netz: Spezielle Token steuern, ob es Spracherkennung, Zeitstempel auf Wortverbindungsebene, mehrsprachige Transkription oder Übersetzung ins Englische ausführt. Etwa ein Drittel des Audiomaterials im Trainingsdatensatz ist laut Anbieter nicht in Englisch.

Ein Unterschied zu fertigen Transkriptionsdiensten steckt in der Veröffentlichungsform. OpenAI stellt Modelle und Inferenzcode bereit, die laut eigener Beschreibung als Grundlage für die Entwicklung von Anwendungen und für weitere Forschung dienen sollen. Code und Modellkarte liegen auf GitHub, der Forschungsartikel als PDF beim Anbieter. Die Produktseite selbst kennzeichnet der Anbieter inzwischen als Einführung aus dem Jahr 2022 und verweist für aktuelle Audio- und Transkriptionsfunktionen auf seine Modellübersicht.

Für wen eignet sich Whisper?

Whisper passt zu Teams, die Spracherkennung in eigene Software einbauen. Der Anbieter beschreibt Modelle und Inferenzcode als Grundlage für eigene Anwendungen, nicht als fertiges Produkt. Wer eigene Entwicklung im Haus hat oder mit einem Dienstleister arbeitet, kann darauf aufsetzen, etwa bei der Webentwicklung oder beim Einbau in bestehende Abläufe.

Mehrsprachiges Material ist das zweite Argument. Transkription in mehrere Sprachen und Übersetzung ins Englische stecken im selben Modell, und für Aufnahmen mit Akzenten, Hintergrundgeräuschen und Fachsprache nennt der Anbieter eine verbesserte Robustheit, die er auf Größe und Vielfalt des Trainingsdatensatzes zurückführt.

Wer ein Produkt mit Oberfläche, Support und Rechnung erwartet, findet das hier nicht: Veröffentlicht sind Modelle und Inferenzcode, kein Dienst mit Tarif. Auch wer einen Spitzenwert auf einem bestimmten Benchmark braucht, prüft genauer. Auf LibriSpeech schlägt Whisper laut Anbieter keine Modelle, die auf diesen Datensatz spezialisiert sind.

Whisper im Arbeitsalltag

Der Weg vom Audio zum Text ist beim Anbieter in festen Schritten dokumentiert. Das eingegebene Audiomaterial wird in 30-Sekunden-Blöcke aufgeteilt, in ein Log-Mel-Spektrogramm umgewandelt und an einen Encoder übergeben. Ein Decoder sagt daraus die passenden Untertitel vorher, vermischt mit speziellen Token, die dem Modell die Aufgabe vorgeben. Die Architektur dahinter ist ein Encoder-Decoder-Transformator.

Praktisch heißt das zweierlei. Lange Aufnahmen zerfallen in Fenster von 30 Sekunden, und die Aufgabe wählst du über Token statt über getrennte Systeme. Eine Kette aus Spracherkennung, Transkription und Übersetzung läuft so in einem Modell.

Zur Qualität macht der Anbieter drei Angaben, zwei zu seinen Gunsten und eine dagegen. Gemessen über viele unterschiedliche Datensätze zeige Whisper im Zero-Shot-Betrieb 50 % weniger Fehler als auf einzelne Datensätze optimierte Modelle; bei der Zero-Shot-Übersetzung von CoVoST2 ins Englische hält er den Ansatz dem überwachten Stand der Technik für überlegen. Auf LibriSpeech selbst schlägt das Modell die dort spezialisierten Systeme nach eigenen Angaben nicht. Alle drei Aussagen stammen vom Anbieter und sind nicht unabhängig geprüft.

Preise und Pläne

Whisper ist als Open Source veröffentlicht. Der Anbieter stellt Modelle und Inferenzcode zur Verfügung, laut eigener Beschreibung als Grundlage für die Entwicklung nützlicher Anwendungen und für weitere Forschung.

Einen Preis für Whisper nennt der Anbieter nicht, auch keine Abrechnungseinheit und keine Kontingente. Seine Preisseite gilt einem anderen Produkt: Dort wirbt er mit der Preisgestaltung für Individual-, Business- und Enterprise-Pläne und listet die Stufen Free, Go, Plus, Pro, Business und Enterprise von ChatGPT. Whisper kommt dort nicht vor. Stand: Oktober 2026.

Stärken und Schwächen

Auf der Habenseite steht die Veröffentlichungsform: Modelle und Inferenzcode liegen als Open Source vor, Modellkarte und Forschungsartikel sind öffentlich. Funktional deckt ein einzelnes Netz Transkription in mehrere Sprachen, Übersetzung ins Englische und Zeitstempel auf Wortverbindungsebene ab. Zur Genauigkeit nennt der Anbieter 50 % weniger Fehler als spezialisierte Modelle über viele Datensätze hinweg und eine höhere Robustheit bei Akzenten, Hintergrundgeräuschen und Fachsprache; beide Angaben sind Anbieterangaben.

Auf der Sollseite stehen vier belegte Punkte. Audiomaterial wird in Blöcken von 30 Sekunden verarbeitet. Auf LibriSpeech schlägt das Modell laut Anbieter die dort spezialisierten Systeme nicht. Veröffentlicht sind Modelle und Inferenzcode als Grundlage für eigene Anwendungen, nicht als fertige Anwendung. Und für Whisper selbst gibt es weder Preis noch Abrechnungseinheit, während der Anbieter die Produktseite als Einführung aus dem Jahr 2022 markiert und für aktuelle Audio- und Transkriptionsfunktionen auf seine Modellübersicht verweist.

Alternativen zu Whisper

Aus derselben Kategorie führt das Verzeichnis AssemblyAI, Google Cloud Speech-to-Text und Transkriptor. Funktionen, Grenzen und Preise stehen jeweils im eigenen Eintrag.

Whisper im Vergleich

Whisper nennt keine Beträge. Damit steht das Werkzeug in dieser Kategorie nicht allein: 224 von 450 Anbietern geben ihre Preise erst im Gespräch heraus. Bei Whisper liegt der Grund in der Veröffentlichungsform, denn Modelle und Inferenzcode sind als Open Source veröffentlicht.

Der Anbieter sitzt außerhalb der EU. In dieser Kategorie führt das Verzeichnis 157 Alternativen mit EU-Sitz, davon 81 aus Deutschland.

Überblick

Wir halten Whisper für eine gute Wahl, wenn Spracherkennung in eigener Software landen soll und jemand da ist, der Code anfasst. Die Veröffentlichung als Open Source ist der eigentliche Hebel: Du bestimmst, wo das Modell läuft und wohin die Audiodaten gehen. Das ist für Mandanten-, Personal- oder Patientengespräche oft der ausschlaggebende Punkt, und er wiegt schwerer als jede Benchmark-Zahl.

Wer ohne Entwicklung auskommen muss, ist mit einem fertigen Dienst besser bedient. Zwei Dinge würden wir vor einer Entscheidung klären: wie die 30-Sekunden-Fenster mit deinem Material zurechtkommen, und ob du Sprecherzuordnung brauchst, die in der Aufgabenliste des Modells nicht vorkommt. Dass OpenAI die Seite als Einführung von 2022 markiert und auf seine Modellübersicht weiterschickt, lesen wir als Hinweis darauf, vor dem Start die aktuelle Modellgeneration zu vergleichen. Beim Einbau in Prozesse hilft Automation & Prozessoptimierung, bei der Einordnung im KI-Stack die KI-Agentur.