Begriff
Whisper
Whisper ist OpenAIs offenes Speech-to-Text-Modell von 2022 — ein mehrsprachiger Encoder-Decoder-Transformer, der Audio in Text umwandelt und in mehreren Größen unter MIT-Lizenz verfügbar ist.
Whisper — ausführlicher erklärt
Whisper ist ein Automatic-Speech-Recognition-Modell (ASR), das OpenAI im September 2022 unter MIT-Lizenz veröffentlicht hat. Trainiert wurde es auf rund 680.000 Stunden mehrsprachiger Web-Audio-Daten, was es zu einem der robustesten offenen ASR-Modelle gegenüber Rauschen, Akzenten und Fachvokabular macht. Architektonisch ist Whisper ein Encoder-Decoder-Transformer: Der Encoder verarbeitet ein log-mel-Spektrogramm des Audio-Clips, der Decoder generiert daraus Token für Token den Text. Das Modell deckt 99 Sprachen ab und kann nicht-englische Sprache direkt ins Englische übersetzen.
Modellfamilie
Whisper kommt in fünf Größen: tiny (~39 MB), base (~74 MB), small (~244 MB), medium (~769 MB) und large (~1.5 GB). Größere Modelle sind genauer, vor allem bei Fachbegriffen, gemischtsprachigen Passagen und leiseren Stellen — kosten dafür mehr RAM und Latenz. Stand 2026 ist large-v3 die stärkste Variante. Für lokalen Betrieb ohne Cloud-API kommen häufig native Reimplementierungen zum Einsatz, die deutlich weniger Ressourcen brauchen als die Python-Referenz.
Abgrenzung zu ähnlichen Begriffen
Whisper ist kein Diarisierungs-System — wer Sprecher trennen will, braucht ein Zusatzmodell. Auch zeitgenaue Wortgrenzen (Forced Alignment) liefert Whisper nicht zuverlässig out of the box. Bei sehr leisen oder stillen Stellen neigt das Modell zu Halluzinationen, also erfundenen Textfragmenten — vorgeschaltete Normalisierung und ein passender Sprach-Hint mindern den Effekt deutlich.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarReasoning Effort
Reasoning Effort ist ein Steuerparameter moderner Reasoning-Modelle, der festlegt, wie viel internes Schritt-für-Schritt-Denken (Thinking-Tokens) ein Modell vor der Antwort aufwendet — höhere Stufen erhöhen Qualität, aber auch Latenz und Kosten.
LexikonHalluzinationen bei LLMs — Ursachen und Gegenmittel
Warum LLMs selbstbewusst Falsches erfinden, welche Typen von Halluzinationen es gibt und welche Gegenmittel wirklich helfen — RAG, Quellenzwang, Verifikation.