Whisper large-v3

Offenes Spracherkennungsmodell von OpenAI (1,55B, 99 Sprachen) – Referenz für deutsche Transkription, lokal betreibbar und bei EU-Anbietern gehostet.

Überblick

Whisper large-v3 ist das größte offene Spracherkennungsmodell (Speech-to-Text) von OpenAI, angekündigt am 6. November 2023. Es transkribiert Audio in 99 Sprachen und kann zusätzlich ins Englische übersetzen. Gegenüber large-v2 nutzt es 128 statt 80 Mel-Bins und wurde auf 1 Mio. Stunden schwach gelabelter sowie 4 Mio. Stunden pseudo-gelabelter Audiodaten trainiert. Laut OpenAI sinken die Fehler gegenüber large-v2 um 10 bis 20 %.

Das Modell ist bis heute der verbreitetste Referenzpunkt für mehrsprachige Transkription und Grundlage zahlreicher Ableger (large-v3-turbo, Distil-Whisper, whisper.cpp, faster-whisper).

Use Cases

Transkription deutscher Besprechungen, Interviews, Diktate und Podcasts
Untertitel mit Satz- oder Wortzeitstempeln
Mehrsprachige Audioarchive, auch mit gemischten Sprachen
Übersetzung fremdsprachiger Aufnahmen direkt ins Englische
Vorstufe für Zusammenfassung oder RAG über Gesprächsinhalte

Stärken & Grenzen

Stärken

Im aktuellen Open ASR Leaderboard für Deutsch das genaueste der hier erfassten Modelle auf FLEURS (3,2 % WER)
Breite Sprachabdeckung und robustes Verhalten bei Akzenten und Hintergrundgeräuschen
Sehr großes Ökosystem: Transformers, whisper.cpp, faster-whisper, Core ML, ONNX; viele Hosting-Anbieter

Grenzen

Halluzinationen: Die Model Card warnt ausdrücklich vor Text, der im Audio nicht gesprochen wurde, und vor Wiederholungen. Eine Studie (Koenecke et al., 2024) fand bei rund 1 % der Transkripte erfundene Phrasen, gehäuft bei langen Pausen. Vor produktivem Einsatz eine Sprachaktivitätserkennung (VAD) vorschalten.
Vergleichsweise langsam: Im Open ASR Leaderboard erreicht es RTFx 471, NVIDIAs Parakeet TDT v3 über 6.000 bei ähnlicher englischer Fehlerrate.
30-Sekunden-Fenster: Längere Aufnahmen werden in Abschnitte zerlegt (sequenziell oder gechunkt); an den Schnittstellen können Wörter verloren gehen.
Keine Sprecherzuordnung (Diarisierung) – dafür ist ein Zusatzmodell nötig.

Benchmarks: Quellenlage

Das CRM hat noch keine Benchmark-Keys für Spracherkennung; die Werte stehen deshalb hier. Niedrigere Word Error Rate (WER) ist besser.

Quelle	Messung	Wert
Open ASR Leaderboard (live, Stand Okt. 2026)	Deutsch, FLEURS	3,20 % WER
Open ASR Leaderboard (live)	Deutsch, Common Voice	4,79 % WER
Open ASR Leaderboard (live)	Englisch, Ø 7 Datensätze	7,84 % WER, RTFx 471
Artificial Analysis (AA-WER v2.2, englisch)	je nach Anbieter	4,1 % (fal.ai) · 4,5 % (Together AI) · 10,1 % (Replicate)
OpenAI (Grafik im GitHub-Repo)	Deutsch, Common Voice 15 / FLEURS	5,7 % / 4,9 % WER

Hinweis: Die Leaderboard-Methodik wurde 2026 mehrfach umgestellt (u. a. ohne LibriSpeech im Mittelwert, neue Datensätze). Ältere Werte (z. B. 7,44 % WER im Stand März 2026) sind nicht mit den aktuellen vergleichbar. Die AA-Spreizung zwischen Anbietern zeigt, dass Hosting-Konfiguration und Vorverarbeitung die Fehlerrate stark beeinflussen.

Gut zu wissen

Lizenz: OpenAI stellt Code und Gewichte unter MIT; die Hugging-Face-Metadaten führen Apache-2.0. Beide erlauben die kommerzielle Nutzung.
Hardware: OpenAI nennt rund 10 GB VRAM für die Referenzimplementierung. Mit whisper.cpp braucht das Modell etwa 3,9 GB RAM (3,1 GB Datei), quantisiert auf Q5_0 rund 1,1 GB Datei – damit läuft es auch auf Apple Silicon und reinen CPU-Systemen.
Parameter: exakt 1.543.490.560 laut safetensors (Marketingangabe 1.550M).
Alternativen: Für Geschwindigkeit large-v3-turbo; für hohen Durchsatz auf NVIDIA-GPUs Parakeet TDT v3; für Übersetzung in beide Richtungen Canary v2.

EU-Hosting

Whisper large-v3 wird von mehreren europäischen Anbietern als API mit Datenverarbeitung in Europa angeboten (Stand 12.10.2026, Angaben der Anbieter):

Anbieter	Modell	Standort	Preis
OVHcloud AI Endpoints	whisper-large-v3	Frankreich (Gravelines)	0,00004083 € je Sekunde (≈ 0,15 € je Stunde)
Scaleway Generative APIs	whisper-large-v3	Frankreich (Paris, fr-par)	0,003 € je Minute
T-Systems AI Foundation Services	Whisper Large v3	Deutschland	auf Anfrage
Infomaniak AI Tools	„Whisper V3“ (Variante nicht angegeben)	Schweiz	CHF 0,006 je Minute
Azure OpenAI	whisper (Version 001, Generation nicht dokumentiert)	u. a. West Europe, Sweden Central	Preisliste Microsoft

IONOS, STACKIT und Nebius bieten derzeit kein Whisper an; Mistral setzt mit Voxtral auf ein eigenes Modell. Für vollständige Datenhoheit bleibt der Eigenbetrieb, etwa auf GPU-Servern in deutschen Rechenzentren.