Whisper ist ein frei verfügbares Modell für Spracherkennung von OpenAI, das auch auf eigener Hardware läuft. Damit lassen sich Diktate in Text verwandeln, ohne dass Aufnahmen das Haus verlassen. Whisper kann aber Sätze erfinden, die nie gesagt wurden. Eine Abschrift sollte deshalb gegengelesen werden, bevor sie weiterverarbeitet wird.
Kurz gesagt
Für Deutsch kam das Modell large-v2 laut der Veröffentlichung von 2022 auf Wortfehlerraten von 5,5 bis 11,2 Prozent, je nach Testdatensatz. Das sind Testdaten, Dialekt oder Baustellenlärm können andere Werte ergeben.
Das kleinste Modell tiny braucht laut Projektseite rund 1 GB Grafikspeicher, medium rund 5 GB, large rund 10 GB. Das Modell turbo braucht rund 6 GB und ist laut Projektseite etwa achtmal so schnell wie large, gemessen mit englischer Sprache auf einer Grafikkarte vom Typ A100.
Eine Studie um Allison Koenecke fand 2023 in 13.140 englischen Ausschnitten rund 1 Prozent frei erfundene Wortgruppen oder Sätze, 38 Prozent dieser Erfindungen waren laut den Autoren ausdrücklich schädlich. Neuere Messungen an deutscher Sprache kenne ich nicht.
Besprechungen dürfen nur mit Zustimmung aller Beteiligten aufgezeichnet werden. Wer das nichtöffentlich gesprochene Wort unbefugt aufnimmt, macht sich nach § 201 StGB strafbar.
Für einen Cloud-Dienst braucht es einen Vertrag zur Auftragsverarbeitung nach Artikel 28 DSGVO, bei einem Anbieter außerhalb der EU zusätzlich die Regeln für Drittländer (Artikel 44 ff.). Läuft Whisper auf einem eigenen Rechner, bleiben die Aufnahmen im Haus.
In diesem Artikel
Was Whisper ist
OpenAI hat Whisper im September 2022 veröffentlicht. Programmcode und Modellgewichte stehen laut Projektseite unter der MIT-Lizenz. Whisper schreibt Sprache in vielen Sprachen mit, kann sie direkt ins Englische übersetzen und erkennt selbst, welche Sprache gesprochen wird.
Laut Modellkarte wurde Whisper mit 680.000 Stunden Audiomaterial aus dem Internet trainiert, zu dem jeweils eine Abschrift vorlag.1 65 Prozent davon waren englische Aufnahmen. OpenAI gibt an, dass die Modelle robuster gegenüber Akzenten, Hintergrundgeräuschen und Fachsprache sind als viele bestehende Systeme. Das ist eine Herstellerangabe. Dieselbe Karte räumt ein, dass die Leistung je nach Sprache, Akzent und Dialekt schwankt und bei Sprachen mit weniger Trainingsmaterial niedriger ist.
openai/whisper: Quellcode, Modelle und Modellkarte, abgerufen am 03.11.2026.
Für Deutsch nennt die Veröffentlichung von 2022 konkrete Werte.2 Das Modell large-v2 kam auf Wortfehlerraten von 5,5 bis 11,2 Prozent, je nach Testdatensatz. Das sind Testdaten und kein Betriebsalltag, Dialekt oder Baustellenlärm können andere Werte ergeben.
Das Modell large-v3 kam im November 2023 hinzu.1 Es wurde laut Modellkarte mit einer Million Stunden schwach beschrifteter und vier Millionen Stunden automatisch beschrifteter Aufnahmen trainiert.3 Über viele Sprachen hinweg macht es laut OpenAI 10 bis 20 Prozent weniger Fehler als large-v2.
Whisper zerlegt die Aufnahme in Abschnitte von 30 Sekunden und wandelt jeden in eine Art Bild der Tonfrequenzen um, ein sogenanntes Log-Mel-Spektrogramm. Ein neuronales Netz nach dem Transformer-Prinzip, derselben Grundlage wie bei Sprachmodellen, erzeugt daraus nach und nach den Text. Trainiert wurde es mit Abschriften samt Satzzeichen und Großschreibung, deshalb gibt es beides auch aus.
Welche Größe wie viel Speicher braucht
Whisper gibt es in mehreren Größen. Das kleinste Modell tiny hat laut Projektseite 39 Millionen Parameter und braucht rund 1 GB Grafikspeicher, das große large hat 1,55 Milliarden Parameter und braucht rund 10 GB. Dazwischen liegen base, small und medium, medium mit rund 5 GB. Die großen Modelle sind genauer, aber langsamer.
Seit September 2024 gibt es zusätzlich das Modell turbo, eine auf Tempo optimierte Fassung von large-v3. Es hat rund 800 Millionen Parameter und braucht rund 6 GB Grafikspeicher. Laut Projektseite ist es etwa achtmal so schnell wie das große Modell, bei geringen Einbußen in der Genauigkeit. Gemessen wurde das mit englischer Sprache auf einer Grafikkarte vom Typ A100, in der Praxis kann es deutlich abweichen. Turbo ist inzwischen die Voreinstellung, ist aber nicht für die Übersetzung ins Englische trainiert.
Daneben gibt es Nachbauten. Die Umsetzung faster-whisper gibt an, bis zu viermal schneller zu sein als die ursprüngliche Fassung, bei gleicher Genauigkeit und mit weniger Speicher.4 Sie lässt sich auch mit large-v3 und turbo nutzen.
Inzwischen gibt es weitere offene Modelle, die Deutsch unterstützen und unter der Apache-2.0-Lizenz stehen, darunter Cohere Transcribe, Qwen3-ASR und Voxtral Mini Realtime von Mistral.5 OpenAI selbst bietet über seine Programmierschnittstelle neuere Modelle wie gpt-transcribe an.6 Dabei wird die Aufnahme zum Anbieter hochgeladen.
OpenAI: Speech to text, API-Dokumentation, abgerufen am 03.11.2026.
Wofür Betriebe es nutzen können
Meldungen per Sprache: Schaden, Mangel oder Auftrag am Handy diktieren, der Text landet im Ticket oder Formular.
Gesprächsnotizen: nach einem Kundentermin kurz einsprechen statt abtippen.
Protokolle: Besprechungen aufzeichnen und als Text weiterverarbeiten, nur mit Zustimmung aller Beteiligten. Wer das nichtöffentlich gesprochene Wort unbefugt aufnimmt, macht sich nach § 201 StGB strafbar.7
Weiterverarbeitung durch ein Sprachmodell: Die rohe Abschrift wird danach geglättet, gegliedert oder in Felder eines Formulars übertragen.
§ 201 StGB, Verletzung der Vertraulichkeit des Wortes, abgerufen am 03.11.2026.
Whisper kann Sätze erfinden
Whisper erzeugt Text ähnlich wie ein Sprachmodell. OpenAI vermutet selbst, dass die Modelle nicht nur mitschreiben, sondern auch das nächste Wort vorhersagen wollen.
Eine Studie um Allison Koenecke hat das 2023 an englischen Aufnahmen über die Schnittstelle von OpenAI gemessen.8 In ihrem Datensatz aus 13.140 Ausschnitten enthielten rund 1 Prozent frei erfundene Wortgruppen oder Sätze. 38 Prozent dieser Erfindungen waren laut den Autoren ausdrücklich schädlich, etwa falsche Zuschreibungen oder Gewaltinhalte. Besonders betroffen waren Menschen, die mit längeren Pausen sprechen, zum Beispiel bei einer Sprachstörung nach einem Schlaganfall (Aphasie). Im Dezember 2023 traten viele dieser Fehler nicht mehr auf, 12 von 187 Ausschnitten erzeugten aber weiterhin Erfindungen. Neuere Messungen an deutscher Sprache kenne ich nicht.
Daraus folgt für mich: Eine Abschrift wird erst weiterverarbeitet, wenn die sprechende Person sie gegengelesen hat. Dabei fallen auch falsch geschriebene Namen, Fachbegriffe und Zahlen auf:
Stille am Anfang der Aufnahme abschneiden, die Studie nennt dafür eine eigene Einstellung in Whisper,
für Bereiche mit rechtlicher oder medizinischer Tragweite keine ungeprüfte Abschrift verwenden,
die Originalaufnahme aufbewahren, bis die Abschrift geprüft ist, und danach löschen.
Was beim Datenschutz gilt
Lässt sich die sprechende Person erkennen oder fallen Namen, ist die Aufnahme ein personenbezogenes Datum. Aufnahmen können auch mehr enthalten als beabsichtigt, etwa Gesundheitsangaben oder Gespräche im Hintergrund.
Wird ein Cloud-Dienst genutzt, braucht es einen Vertrag zur Auftragsverarbeitung (Artikel 28 DSGVO), und die Betroffenen sind über die Empfänger ihrer Daten zu informieren (Artikel 13).9 Sitzt der Anbieter außerhalb der EU, gelten zusätzlich die Regeln für die Übermittlung in Drittländer (Artikel 44 ff.).
DSGVO, Verordnung (EU) 2016/679: Artikel 4, 13, 28 und 44 in der Textsammlung gdpr-info.eu, abgerufen am 03.11.2026.
Läuft Whisper auf einem eigenen Rechner, bleiben die Aufnahmen im Haus. Auch dann gilt: Aufnahmen nur so lange speichern wie nötig, Zugriff auf Berechtigte beschränken und Beschäftigte informieren, wofür ihre Diktate verarbeitet werden.
Wer KI-Systeme im Betrieb einsetzt, unterliegt außerdem seit dem 2. Februar 2025 Artikel 4 der KI-Verordnung zur KI-Kompetenz.10 In der geänderten Fassung, wie sie die Textsammlung artificialintelligenceact.eu ausweist, verlangt er Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern. Ein bestimmtes Niveau bei einer einzelnen Person muss dabei nicht garantiert werden.
KI-Verordnung (EU) 2024/1689: Artikel 4 und Artikel 113 in der Textsammlung artificialintelligenceact.eu, abgerufen am 03.11.2026.
Quellen
openai/whisper: Quellcode, Modelle und Modellkarte, abgerufen am 03.11.2026. ↩↩
DSGVO, Verordnung (EU) 2016/679: Artikel 4, 13, 28 und 44 in der Textsammlung gdpr-info.eu, abgerufen am 03.11.2026. ↩
KI-Verordnung (EU) 2024/1689: Artikel 4 und Artikel 113 in der Textsammlung artificialintelligenceact.eu, abgerufen am 03.11.2026. ↩
Wissen Weiterlesen
Das könnte Sie auch interessieren
KI ·
Eigener KI-Konnektor in ChatGPT Plus und Claude: ein Test, auch per Sprache am Handy
Ein eigener MCP-Konnektor in ChatGPT Plus, ausprobiert am 16. November 2026: wo er sich eintragen lässt, warum er im Chat und am Handy fehlt und wie es bei Claude läuft.
Facebook und Instagram mit KI verwalten: so wird der Zugang eingerichtet
Beiträge, Kommentare und Reichweite per KI-Assistent abfragen und mit Freigabe veröffentlichen: die eigene App bei Meta, die Fallen bei der Einrichtung und was Instagram bei Bildern verlangt.
Zeiterfassung über KI: der Konnektor, der dem Chef überall berichtet
Wer ist gerade da, wie steht das Stundenkonto? Ein KI-Assistent fragt die vorhandene Zeiterfassung ab und antwortet per Sprache, auch unterwegs. Was er beantwortet, wie die Einführung abläuft und was Datenschutz und Betriebsrat verlangen.