Moonshine Streaming Small-de
Deutsches Echtzeit-Spracherkennungsmodell von Moonshine AI (113M, MIT) für Edge-Geräte – läuft auf CPU, Smartphone und Raspberry Pi, ohne Cloud.
- Hersteller
- Moonshine AI
- Lizenz
- MIT
- Betrieb
- Lokal (On-Premise)
- Herkunft
- USA (Mountain View, CA)
- Architektur
- Encoder-Decoder (Moonshine v2): Sliding-Window-Encoder ohne Positional Embeddings + autoregressiver Decoder mit RoPE
- Veröffentlichung
- 01.08.2026
- Parameter gesamt
- 112,9 Mio.
- Aktive Parameter
- 112,9 Mio.
Überblick
Moonshine Streaming Small-de ist ein deutsches Spracherkennungsmodell von Moonshine AI (Useful Sensors), veröffentlicht am 24. August 2026 zusammen mit der kleineren Variante Tiny-de. Es gehört zur zweiten Moonshine-Generation (v2): Ein Sliding-Window-Encoder verarbeitet das Audio fortlaufend mit rund 80 ms Vorausschau, ein autoregressiver Decoder erzeugt den Text. Anders als Whisper braucht Moonshine kein festes 30-Sekunden-Fenster und reagiert deshalb mit sehr geringer Verzögerung.
Trainiert wurde das Modell auf rund 103.000 Stunden deutschem Podcast-Audio mit Pseudo-Labels eines Whisper-Lehrermodells und etwa 3.700 Stunden menschlich transkribierter Sprache (Common Voice, MLS, FLEURS, VoxPopuli).
Use Cases
- Sprachsteuerung und Live-Transkription auf Geräten ohne GPU und ohne Cloud
- Diktierfunktionen in Desktop- und Mobil-Apps
- Live-Untertitel auf Raspberry Pi, Kiosk- oder Industriegeräten
- Datenschutzsensible Szenarien, in denen Audio das Gerät nicht verlassen darf
Stärken & Grenzen
Stärken
- Sehr klein (rund 113M Parameter) und schnell: Die englische Small-Variante erreicht laut Moonshine-Paper 148 ms Latenz auf einem MacBook M3 – Whisper large-v3 braucht dort über 11 Sekunden
- Läuft über ONNX Runtime mit 8-Bit-Quantisierung auf Python, JavaScript/WASM, iOS, Android, macOS, Linux, Windows und Raspberry Pi
- MIT-Lizenz ohne Einschränkung für kommerzielle Nutzung
Grenzen
- Mit rund 7,5 % WER auf Deutsch deutlich ungenauer als die großen Offline-Modelle (Whisper large-v3 3,2 % auf FLEURS)
- Bisher nur Herstellerangaben auf einer kleinen Stichprobe (400 Clips) – keine unabhängige Messung, keine Aufnahme im Open ASR Leaderboard
- Keine Zeitstempel, keine Übersetzung, keine Sprecherzuordnung dokumentiert
Benchmarks: Quellenlage
Das CRM hat noch keine Benchmark-Keys für Spracherkennung; die Werte stehen deshalb hier. Niedrigere WER ist besser.
| Quelle | Messung | Wert |
|---|---|---|
| Moonshine AI (Model Card, float) | Deutsch, FLEURS / MLS | 7,19 % / 7,51 % WER |
| Moonshine AI (Model Card, quantisiert) | Makro-Mittel FLEURS + MLS | 7,53 % WER |
| Moonshine AI (Doku) | Tiny-de Streaming, gleiche Stichprobe | 12,0 % WER |
Hinweis: Die Werte beruhen auf einer reproduzierbar gezogenen Stichprobe von 400 Clips. Moonshine weist selbst darauf hin, dass sie nicht mit den englischen Open-ASR-Mittelwerten vergleichbar sind. Die englischen Streaming-Modelle standen im Leaderboard-Stand März 2026 (Small 7,84 % WER), sind im aktuellen Stand aber nicht mehr gelistet.
Gut zu wissen
- Lizenz: MIT. Nur einige ältere, nicht-streamende Sprachvarianten (u. a. Arabisch, Japanisch, Koreanisch) unterliegen der nicht-kommerziellen Moonshine Community License – die deutschen Modelle nicht.
- Parameter: Die Model Card nennt 112,9M, die Moonshine-Dokumentation 123M (der Wert der englischen Small-Variante).
- Varianten: Tiny-de (rund 34M) für sehr schwache Hardware; englische Streaming-Modelle in Tiny, Small und Medium.
- Hosting: Kein gehosteter Endpunkt – das Modell ist ausdrücklich für den Betrieb auf dem Endgerät gedacht.