Whisper-Nachfolger von OpenAI: Neues Transkriptionsmodell mit weniger Fehlern

OpenAI hat sich von der ursprünglichen Whisper-Architektur verabschiedet und positioniert neue Modelle als empfohlenen Einstiegspunkt für Transkriptions-Integrationen. Damit lösen sie die bisherigen Standardmodelle gpt-realtime-whisper-1 und whisper-1 ab.

Was das neue Modell von Whisper unterscheidet

Die entscheidende Verbesserung ist nicht nur die reine Genauigkeit, sondern vor allem das kontextuelle Verständnis.

Klassische Spracherkennungsmodelle (ASR) verarbeiten jeden Audio-Ausschnitt isoliert, eine Schwäche, die der neue Ansatz gezielt beheben soll.

Wie Whisper im Vergleich abschneidet

Eine Analyse ergab, dass GPT-4o-Transcribe qualitativ hochwertigen Text liefert, jedoch keine Zeitstempel bietet, während Whisper zwar Zeitstempel liefert, aber qualitativ schwächeren Text erzeugt, so eine Praxisstudie, auf die promptt.dev verweist8.

Eine weitere Auswertung aus 2026 nennt konkrete Benchmark-Zahlen: eine Wortfehlerrate (Word Error Rate) von 4,1 % bei GPT-4o-Transcribe gegenüber 5,3 % bei Whisper-v3, was rund 22 % weniger Fehlern bei identischem Preis von 0,006 $ pro Minute entspricht9. Laut dieser Auswertung gibt es drei Varianten, darunter eine Diarize-Version, die für das 2,5-fache des Preises zusätzlich Sprechererkennung (Speaker Labels) bietet9.

Die offizielle Entwicklerdokumentation von OpenAI erklärt, wie man aufgezeichnete Audiodateien transkribiert, Datei-Transkripte streamt und spezialisierte Speech-to-Text-Funktionen über die API nutzt7.

Weitere Entwicklungen bei der Spracherkennung

Cohere, vor allem als Anbieter von Enterprise-Sprachmodellen bekannt, veröffentlichte am 26. März 2026 Cohere Transcribe10.

Dieses Modell übernahm den Spitzenplatz im Hugging Face Open ASR Leaderboard und überholte damit OpenAI Whisper sowie ElevenLabs Scribe, Zoom Scribe und IBM Granite Speech10.

Unabhängig davon kündigte eine auf OpenAI-Whisper-Technologie basierende Plattform namens WhisperAI im Juli 2026 den Start einer erweiterten Transkriptions-API an, sowohl für vorab aufgezeichnete Audiodateien als auch für Echtzeit-Spracherkennung4.

Warum das für Diktier- und Transkriptions-Tools im Alltag wichtig ist

Whisper wurde mit 680.000 Stunden mehrsprachiger und multitaskfähiger, überwachter Daten trainiert, was es besonders robust gegenüber Hintergrundgeräuschen, Fachjargon und anderen realen Audiobedingungen macht6.

Die über die API angebotene Variante whisper-1 ist älter und unterstützt ausführliches JSON mit Segment-Zeitstempeln, während Whisper Large v3 als die neueste Open-Source-Version mit besserer Genauigkeit bei verrauschtem und akzentbehaftetem Audio gilt5.

Diese Unterschiede sind für jeden relevant, der ein Transkriptions-Backend auswählt, egal ob für eine Cloud-API oder für Software, die direkt lokal auf dem Computer läuft.

Was das für Mac-Nutzer bedeutet

Wer auf dem Mac Notizen, Entwürfe oder Nachrichten diktiert, bekommt vom Modell-Wettbewerb zwischen OpenAI, Cohere und diversen API-Anbietern meist wenig mit, denn er spielt sich vor allem auf Entwickler- und API-Ebene ab, nicht in der App selbst.

• Cloud-Transkriptions-APIs wie die oben beschriebenen richten sich an Entwickler, die Speech-to-Text in Apps und Dienste integrieren, nicht an den alltäglichen Diktiergebrauch9.
• Lokale, geräteinterne Transkription, wie sie Voicci mit Whisper-basierten Modellen nutzt, hält Audiodaten auf dem Gerät, statt sie an eine Cloud-API zu senden1.
• Whisper-basierte lokale Modelle bleiben eine praxistaugliche Grundlage für privates, offline-fähiges Diktieren auf dem Mac1.

Voicci ist eine macOS-Menüleisten-App zur Sprache-zu-Text-Umwandlung, die konsequent auf private Transkription setzt: mit lokaler, Whisper-basierter Spracherkennung für die Offline-Nutzung, einem globalen Hotkey zum Diktieren und universeller Texteinfügung in jede beliebige App auf dem Mac1.

Bei vertraulichen Aufnahmen ist es die sicherere Wahl, die Transkription auf dem eigenen Gerät zu belassen, statt Audiodaten an ein unbekanntes Cloud-Tool hochzuladen, unabhängig davon, welches Backend eine App im Hintergrund nutzt.

Was als Nächstes wichtig wird

Der Markt für Spracherkennung verändert sich rasant: OpenAI, Cohere und diverse Drittanbieter liefern sich einen Wettstreit um die besten Werte bei Genauigkeit und Kosten910.

Wortfehlerraten und Preise pro Minute unterscheiden sich je nach Benchmark und Anbieter, weshalb es sich lohnt, vor der Umstellung einer Produktivumgebung einen Blick in die Primärdokumentation zu werfen79.

Wer eine private, geräteinterne Lösung für das tägliche Diktieren auf dem Mac sucht, findet in Voicci genau dafür eine auf lokaler, Whisper-basierter Transkription aufgebaute App1.