Whisper local 2026: Audio und Video transkribieren, ohne seine Daten zu senden
Ein Meeting, ein Interview, einen Podcast oder ein Video automatisch und mit hervorragender Genauigkeit zu transkribieren: Das ermöglicht Whisper, das Open-Source-Spracherkennungsmodell. Das Problem: Die meisten Online-Transkriptionsdienste senden Ihre Aufnahmen an entfernte Server. Bei sensiblen Daten – vertraulichen Meetings, medizinischen Gesprächen, Rechtsberatungen, unveröffentlichten Inhalten – ist das inakzeptabel.
Die gute Nachricht: Whisper läuft einwandfrei lokal auf Ihrem eigenen Rechner, ohne jegliche Internetverbindung. Ihre Audio- und Videodateien verlassen Ihren Computer nie. Und entgegen der weitverbreiteten Meinung ist es einer der ressourcenschonendsten KI-Anwendungsfälle. Dieser Leitfaden erklärt, wie, mit welcher Variante und auf welchem Rechner.
Whisper im Überblick
Whisper ist ein von OpenAI veröffentlichtes Open-Source-Spracherkennungsmodell (Speech-to-Text) unter der MIT-Lizenz. Es transkribiert Sprache in fast 99 Sprachen mit einer Genauigkeit, die mit den besten kommerziellen Diensten mithalten kann.
Der Vorteil der lokalen Nutzung: absolute Vertraulichkeit, keine Kosten
Die lokale Transkription ändert bei sensiblen Daten alles.
- Keine Übertragung in die Cloud. Ihre Aufnahmen bleiben von Anfang bis Ende auf Ihrem Rechner.
- Keine Kosten pro Minute. Transkriptions-APIs berechnen nach Dauer. Lokal ist es kostenlos und ohne Einschränkungen nutzbar.
- Funktioniert offline. Keine Verbindung erforderlich, ideal unterwegs oder in gesicherten Bereichen.
- Von Grund auf datenschutzkonform. Für Berufe mit Schweigepflicht (Gesundheitswesen, Recht, Buchhaltung) ist dies oft die einzige akzeptable Option.
Welche Whisper-Variante sollte man wählen?
Das ursprüngliche Whisper von OpenAI funktioniert, aber deutlich schnellere Implementierungen haben sich durchgesetzt. Hier sind die vier wichtigsten im Jahr 2026.
faster-whisper
Für die meisten Anwendungsfälle
Die Referenzimplementierung auf Basis von CTranslate2. Gleiche Genauigkeit wie Whisper, aber etwa viermal so schnell auf der GPU und doppelt so schnell auf der CPU. Die Standardwahl für Windows und Linux mit einer NVIDIA-Karte.
WhisperX
Untertitel, Interviews, Meetings
Basiert auf faster-whisper und fügt Zeitstempel auf Wortebene sowie Sprecheridentifikation (wer spricht wann) hinzu. Unverzichtbar für präzise Untertitel, Besprechungsprotokolle und Interviewtranskriptionen.
whisper.cpp
Mac und Embedded-Systeme, ohne Python
C-Implementierung ohne Python-Abhängigkeiten, mit Metal-Beschleunigung auf dem Mac. Die beste Wahl für Apple Silicon sowie für ressourcenarme oder Embedded-Umgebungen.
distil-whisper
Echtzeit, geringe Latenz
Destillierte Version, halb so groß, für Echtzeit-Transkription und Live-Untertitelung konzipiert, wenn geringe Latenz wichtiger ist als absolute Genauigkeit.
Welche Leistung für welchen Anwendungsfall?
| Anwendungsfall | Empfohlenes Modell | VRAM | Geschätzte Geschwindigkeit (aktuelle GPU) |
|---|---|---|---|
| Gelegentliche Transkription | large-v3-turbo | etwa 6 GB | 5- bis 7-fache Echtzeit |
| Maximale Genauigkeit, mehrsprachig | large-v3 | etwa 10 GB | 4- bis 6-fache Echtzeit |
| Untertitel mit Sprechern | WhisperX (large-v3) | 10 bis 16 GB | variiert je nach Diarisierung |
| Echtzeit, Live-Untertitelung | distil-whisper | etwa 4 GB | Echtzeit |
| Große Archive (Batch) | insanely-fast-whisper | 12 bis 16 GB | 10-fache Echtzeit und mehr |
So lässt sich eine Stunde Audio auf einer aktuellen Karte in wenigen Minuten transkribieren. Für die parallele Verarbeitung großer Datenmengen erhöhen mehr Speicher und Rechenleistung den Durchsatz linear.
Schnelle Installation von faster-whisper
Auf einem Windows- oder Linux-Rechner mit einer NVIDIA-Karte:
# Dedizierte Python-Umgebung
python -m venv whisper-env
source whisper-env/bin/activate # Linux/Mac
# whisper-env\Scripts\activate # Windows
# Installation von faster-whisper
pip install faster-whisper
# Transkription einer Datei
python -c "
from faster_whisper import WhisperModel
model = WhisperModel('large-v3-turbo', device='cuda', compute_type='int8')
segments, info = model.transcribe('reunion.mp3')
for s in segments:
print(s.text)
"
Wer nutzt Whisper lokal?
- Journalisten und Forscher, um Interviews zu transkribieren, ohne ihre Quellen preiszugeben.
- Medizinisches Fachpersonal, für diktierte Berichte, ohne dass Patientendaten die Praxis verlassen.
- Anwälte und Notare, um vertrauliche Beratungen und Verhandlungen zu transkribieren.
- Content-Ersteller, um kostenlos und ohne Einschränkungen Untertitel und Transkriptionen für Podcasts oder Videos zu erstellen.
- Unternehmen, für interne Besprechungsprotokolle, ohne von einem Drittanbieter abhängig zu sein.
- Barrierefreiheitsdienste, für Echtzeit-Untertitelung.
Kombination von Whisper mit einer lokalen KI
Die Transkription ist oft nur der erste Schritt. Sobald die Audiodatei in Text umgewandelt wurde, kann ein lokales Sprachmodell im Anschluss die Besprechung zusammenfassen, Entscheidungen und Maßnahmen extrahieren und ein strukturiertes Protokoll erstellen.
Welcher Rechner für Whisper lokal
Für reine Transkription reicht eine Karte mit 8 GB völlig aus. Wenn Sie auch ein lokales LLM zum Zusammenfassen und Analysieren nutzen möchten, sollten Sie 16 GB oder mehr anstreben. Hier sind unsere passenden Workstations, montiert in Auriol (13390) und in der gesamten EU geliefert. Wenn die Transkription nur der erste Schritt ist, ermöglicht unser KI-Rechner-Sortiment, ein Sprachmodell zum Zusammenfassen und Analysieren hinzuzufügen.
CoreIA RTX 5060 TiWhisper + lokales LLM zum Zusammenfassen. Die richtige Balance.
2 068 €
CoreIA RTX 5090Vollständiger WhisperX-Workflow + LLM mit 30 Milliarden Parametern, maximale Geschwindigkeit.
10 291 €
Kurz zusammengefasst
Ist Whisper kostenlos?
Ja, Open Source unter der MIT-Lizenz. Sie zahlen nur einmal für die Hardware.
Wie genau ist es im Vergleich zu Online-Diensten?
large-v3 kann mit den besten kommerziellen Diensten in fast 99 Sprachen mithalten.
Braucht man einen leistungsstarken Rechner?
Nein. 8 GB VRAM reichen für die Transkription aus. 16 GB sind nur erforderlich, wenn Sie ein lokales LLM zum Zusammenfassen hinzufügen.
Kann man Videos transkribieren?
Ja. Das Audio wird aus dem Video extrahiert (über ffmpeg) und anschließend transkribiert. Ideal für die Untertitelung von Videos.
Bleiben meine Dateien privat?
Ja, absolut. Bei der lokalen Nutzung verlässt keine Aufnahme Ihren Rechner.
