Whisper large-v3-turbo
Beschleunigte Whisper-Variante von OpenAI (809M, MIT) mit 4 statt 32 Decoder-Layern – deutlich schneller als large-v3, aber ohne Übersetzungsfunktion.
- Hersteller
- OpenAI
- Lizenz
- MIT
- Betrieb
- Lokal (On-Premise)
- EU-Hosting
- US-Hosting
- Herkunft
- USA (San Francisco, CA)
- Architektur
- Encoder-Decoder-Transformer (32 Encoder- / 4 Decoder-Layer), 128 Mel-Bins, 30-Sekunden-Fenster
- Veröffentlichung
- 01.10.2024
- Parameter gesamt
- 809 Mio.
- Aktive Parameter
- 809 Mio.
Überblick
Whisper large-v3-turbo ist eine beschleunigte Fassung von Whisper large-v3, veröffentlicht von OpenAI am 1. Oktober 2024. Der Encoder bleibt unverändert (32 Layer), der Decoder schrumpft von 32 auf 4 Layer. Dadurch sinkt die Parameterzahl auf 809M, und die Dekodierung wird erheblich schneller – laut OpenAI-README etwa achtmal so schnell wie large-v3. Die Qualität liegt laut OpenAI etwa auf dem Niveau von large-v2.
Use Cases
- Schnelle Transkription großer Audiomengen, wenn large-v3 zu langsam ist
- Nahezu-Echtzeit-Transkription auf Workstations und Apple Silicon (z. B. mit whisper.cpp)
- Lokale Diktier- und Notizfunktionen
- Mehrsprachige Transkription, sofern keine Übersetzung benötigt wird
Stärken & Grenzen
Stärken
- Deutlich höherer Durchsatz als large-v3 bei moderatem Genauigkeitsverlust
- Kleiner Speicherbedarf: mit whisper.cpp rund 1,6 GB Datei, quantisiert (Q5_0) rund 0,6 GB
- Gleiche Sprachabdeckung und dasselbe Ökosystem wie large-v3
Grenzen
- Keine Übersetzung: Das Modell wurde ohne Übersetzungsdaten feinjustiert;
task="translate"liefert laut OpenAI die Originalsprache zurück. - Deutsch auf Common Voice deutlich schwächer: 8,58 % WER gegenüber 4,79 % bei large-v3 im Open ASR Leaderboard. Auf FLEURS ist der Abstand klein (3,67 % gegenüber 3,20 %).
- OpenAI nennt stärkere Einbußen bei Thai und Kantonesisch.
- Dieselben Halluzinationsrisiken und dasselbe 30-Sekunden-Fenster wie large-v3.
Benchmarks: Quellenlage
Das CRM hat noch keine Benchmark-Keys für Spracherkennung; die Werte stehen deshalb hier. Niedrigere WER ist besser.
| Quelle | Messung | Wert |
|---|---|---|
| Open ASR Leaderboard (live, Stand Okt. 2026) | Deutsch, FLEURS | 3,67 % WER |
| Open ASR Leaderboard (live) | Deutsch, Common Voice | 8,58 % WER |
| Open ASR Leaderboard (live) | Englisch, Ø 7 Datensätze | 8,39 % WER, RTFx 811 |
| Open ASR Leaderboard (Stand März 2026) | Englisch, Long-Form | 11,01 % WER |
| Artificial Analysis (AA-WER v2.2, englisch) | je nach Anbieter | 4,6 % (Groq) · 5,5 % (Telnyx) |
Hinweis: Bemerkenswert ist der Long-Form-Wert: Im März-Stand lag turbo bei langen Aufnahmen gleichauf mit large-v3 (11,23 %), obwohl es bei kurzen Clips schwächer ist.
Gut zu wissen
- Lizenz: MIT (Hugging Face und GitHub). OVHcloud führt das Modell abweichend unter Apache-2.0.
- Parameter: exakt 808.878.080 laut safetensors.
- EU-Hosting: OVHcloud AI Endpoints (Frankreich, 0,00001278 € je Sekunde, ≈ 0,05 € je Stunde) und T-Systems AI Foundation Services (Deutschland, Preis auf Anfrage) bieten whisper-large-v3-turbo an.
- Alternativen: Wenn nur Englisch gebraucht wird, ist Distil-Whisper large-v3.5 noch schneller; für deutsche Aufnahmen mit hoher Genauigkeit bleibt large-v3 oder Parakeet TDT v3 die bessere Wahl.