Ob sich Whisper zu installieren lohnt, hängt davon ab, wie viel Sie transkribieren müssen und welche Hardware Sie haben. Es ist ein Open-Source-Modell zur Spracherkennung, das OpenAI 2022 veröffentlicht hat: Audio wird auf dem eigenen Rechner transkribiert, ohne Abrechnung pro Minute. Wer nur gelegentlich eine Aufnahme hat, fährt mit einem fertigen Transkriptionsdienst besser; wer jede Woche Meetings, Interviews oder Podcasts verarbeitet, spart mit einer einmaligen Installation echte Kosten und Wartezeit.
Informationen zum offiziellen Repository
Das offizielle Repository liegt auf GitHub, der Organisationsname ist openai, der Projektname ist whisper, und Code und Modellgewichte stehen unter der MIT-Lizenz. Die Modelle gibt es in sechs Größen – tiny, base, small, medium, large und turbo – und die Referenzwerte für den VRAM liegen bei jeweils etwa 1 GB für tiny und base, etwa 2 GB für small, etwa 5 GB für medium, etwa 6 GB für turbo und etwa 10 GB für large, wobei die Geschwindigkeit an large gemessen wird und tiny am schnellsten ist. Der tatsächliche Verbrauch hängt von der Laufzeitumgebung ab; prüfen Sie also zuerst Ihre Grafikkarte anhand dieser Tabelle. Ganz ohne GPU können Sie trotzdem mit tiny oder base beginnen.
Die Bereitstellung selbst ist nicht kompliziert – die Zeit geht in die Wahl der Laufzeitumgebung. Die Originalversion läuft mit Python plus FFmpeg, faster-whisper ist die Wahl für Geschwindigkeit, und whisper.cpp ist die Wahl für CPU oder Apple Silicon. Die Modelle werden beim ersten Lauf heruntergeladen und können danach vollständig offline arbeiten. Keine Oberfläche zu haben, gehört zu seinem Wesen: Es verwandelt nur Audio in Text, sodass Diktat, Live-Untertitel und automatische Segmentierung andere Tools brauchen, die man anschließt – erwarten Sie nicht, damit direkt nach der Installation ein Meeting zu eröffnen.
Drei echte Stolpersteine, die man vor der Installation kennen sollte
- Stille Passagen laden zu Halluzinationen ein. Lange Pausen oder Hintergrundgeräusche können das Modell dazu bringen, Wörter zu schreiben, die niemand gesagt hat; eine Spracherkennung (Voice Activity Detection) davor und das Zerschneiden langer Audiodateien in Segmente vor der Transkription verringern das deutlich.
- Eigennamen und Personennamen sind trotzdem falsch. Namen, Orte und Produktnamen brauchen eine menschliche Prüfung, und in wichtigen Situationen darf man das Transkript nie ungeprüft verschicken – Zahlen und Uhrzeiten müssen besonders gegen das Originalaudio geprüft werden.
- Zeitstempel driften bei langen Audiodateien. Bei Aufnahmen von zwei oder drei Stunden verrutscht die Zuordnung an Segmentgrenzen und Sprecherwechseln am ehesten; als Rohfassung eines Transkripts taugt es, als fertiges Protokoll nicht.
Es passt zu Menschen, die nach einem festen wöchentlichen Rhythmus transkribieren und Wert darauf legen, dass Audio das eigene Gerät nicht verlässt; es passt nicht zu Menschen, die nur klicken und loslegen wollen, oder deren Rechner zu alt ist, um selbst small zu schaffen. Für Letztere gilt: Probieren Sie small zuerst an einer kurzen Aufnahme aus – läuft es, entscheiden Sie dann, ob Sie auf large wechseln.
