Whisper (OpenAI)

Der Standard für Transkription, sehr gutes Deutsch. large-v3-turbo ist der Alltags-Tipp: fast Large-Qualität bei einem Bruchteil der Rechenzeit.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Größen & Hardware

• Verfügbare Größen: tiny / base / small / medium / large-v3 / large-v3-turbo
• Empfohlene Hardware (Q4): tiny–small: CPU reicht · large: ~10 GB VRAM (oder Geduld)

Im Detail

Whisper von OpenAI ist der De-facto-Standard für lokale Spracherkennung und liefert gerade im Deutschen sehr zuverlässige Ergebnisse über Dialekte und Hintergrundgeräusche hinweg. Die Modellreihe deckt von tiny bis large-v3 eine breite Spanne zwischen Geschwindigkeit und Genauigkeit ab. Für den Alltag ist large-v3-turbo der beste Kompromiss: Es erreicht nahezu die Qualität von large-v3, benötigt dafür aber nur einen Bruchteil der Rechenzeit, weil es mit weniger Decoder-Schichten arbeitet. Die kleineren Modelle (tiny bis small) laufen problemlos auf der CPU und eignen sich für schnelle Live-Untertitel, während large für höchste Genauigkeit etwa 10 GB VRAM oder entsprechend Geduld auf der CPU braucht.

Praxis-Tipp

Für lange Aufnahmen oder Podcasts large-v3-turbo statt large-v3 verwenden – die Transkriptionszeit sinkt spürbar, ohne dass im Deutschen ein nennenswerter Qualitätsverlust auffällt.

Lizenz & Quelle

• Lizenz: MIT
• Quelle: GitHub
• Quelle: HF