Whisper large-v3 vs. Turbo – was ist der Unterschied?

Zwei Modelle, eine Familie

Whisper ist das Spracherkennungsmodell von OpenAI, das seit seiner Veröffentlichung als Open Source die Grundlage vieler Transkriptionsdienste ist – auch von Scriptivo. Innerhalb der Whisper-Familie gibt es verschiedene Größen. Die zwei, um die es in der Praxis heute meist geht, sind:

Whisper large-v3, veröffentlicht im November 2023
Whisper large-v3-turbo (kurz „Turbo“), veröffentlicht im Oktober 2024

Die Namen klingen, als wäre Turbo einfach die neuere und damit bessere Version. Ganz so ist es nicht. Turbo ist vor allem die schnellere Version – mit einem Kompromiss bei der Genauigkeit, der mal kaum auffällt und mal spürbar ist.

Was technisch anders ist

Um den Unterschied zu verstehen, hilft ein kurzer Blick auf den Aufbau. Whisper besteht aus zwei Teilen:

dem Encoder, der die Audiodaten analysiert und in eine interne Repräsentation übersetzt, und
dem Decoder, der daraus Wort für Wort (genauer: Token für Token) den Text erzeugt.

Bei large-v3 hat der Decoder 32 Schichten. Bei Turbo hat OpenAI den Decoder auf 4 Schichten reduziert und das Modell anschließend nachtrainiert. Der Encoder bleibt in seiner Architektur gleich.

Warum das so viel bringt: Der Decoder läuft für jedes erzeugte Token erneut durch. Wenige Decoder-Schichten bedeuten deshalb deutlich weniger Rechenaufwand pro Wort – und damit eine erheblich schnellere Transkription. Das Modell wird außerdem insgesamt kleiner, was den Speicherbedarf senkt.

Der Preis: Ein kleinerer Decoder hat weniger „Kapazität“, um bei schwierigen Stellen die richtige Entscheidung zu treffen. Bei klarer Sprache fällt das kaum ins Gewicht. Bei ungewöhnlichen Wörtern, Akzenten oder schlechter Aufnahmequalität kann large-v3 im Vorteil sein.

Übersetzung: ein Unterschied, den viele übersehen

Whisper kann nicht nur transkribieren, sondern Audio auch direkt ins Englische übersetzen (der sogenannte Translate-Task). Nach Angaben von OpenAI wurde Turbo für diese Aufgabe nicht trainiert – für direkte Übersetzung ins Englische ist large-v3 deshalb die bessere Wahl, Turbo liefert hier deutlich schwächere Ergebnisse.

Für Scriptivo-Nutzer spielt das übrigens keine Rolle: Die Übersetzungsfunktion in Pro übersetzt den fertigen Transkript-Text per KI in die Zielsprache und nutzt dafür nicht den Whisper-Translate-Task.

Die Unterschiede im Überblick

	Whisper large-v3	Whisper large-v3-turbo
Veröffentlicht	November 2023	Oktober 2024
Encoder	gleiche Architektur	gleiche Architektur
Decoder-Schichten	32	4
Geschwindigkeit	langsamer	deutlich schneller
Genauigkeit	höchste in der Familie	etwas geringer, je nach Sprache und Aufnahme
Speicherbedarf	höher	geringer
Direkte Übersetzung ins Englische	ja	nicht dafür trainiert

Konkrete Fehlerraten (Word Error Rate) nennen wir hier bewusst nicht. Sie hängen stark vom Testdatensatz, der Sprache und der Aufnahmequalität ab – eine Zahl aus einem Benchmark sagt wenig darüber aus, wie gut deine Aufnahme transkribiert wird. Am aussagekräftigsten ist ein Test mit deinem eigenen Material.

Wann der Unterschied wirklich zählt

Aus der Praxis lassen sich ein paar Muster ableiten, in denen das größere Modell eher einen Vorteil hat:

Dialekte und starke Akzente: Etwa beim Schweizerdeutsch transkribieren. Whisper gibt Mundart meist als mehr oder weniger hochdeutschen Text aus; je stärker der Dialekt, desto eher macht das größere Modell einen Unterschied.
Eigennamen und Fachbegriffe: Personen- und Firmennamen, medizinische oder juristische Begriffe, Produktbezeichnungen.
Schlechte Aufnahmequalität: Hall, Hintergrundgeräusche, Telefonqualität, Laptop-Mikrofon am anderen Ende des Raums.
Leise oder undeutliche Sprecher: Etwa die Person, die im Meeting weit vom Mikrofon entfernt sitzt.
Durcheinanderreden und schnelle Sprecherwechsel.
Seltener unterstützte Sprachen: Bei Sprachen mit weniger Trainingsdaten kann der Abstand größer ausfallen als bei Deutsch oder Englisch.

Und hier ist der Unterschied oft kaum spürbar:

Klare Aufnahme mit einer Person: Sprachmemo, Diktat, Vortrag mit Ansteckmikrofon.
Gut produzierte Podcasts mit ordentlichem Mikrofon.
Alltagssprache ohne viele Fachbegriffe.
Wenn du ohnehin nur den groben Inhalt brauchst – etwa, um eine lange Aufnahme schnell zu durchsuchen.

Welches Modell Scriptivo nutzt

Wir setzen beide Modelle ein – je nach Tarif:

Kostenlos: Whisper Turbo. Ideal für schnelle Ergebnisse und klare Aufnahmen – eine Datei pro Tag, bis 30 Minuten.
Pro, Business und 7-Tage-Pass: Whisper large-v3, das genaueste Modell der Familie. Sinnvoll, sobald es auf Details ankommt: Interviews für die Abschlussarbeit, Meetings mit vielen Namen, Aufnahmen mit Dialekt oder Störgeräuschen.

Mehr zur Technik dahinter findest du auf der Seite zur KI-Spracherkennung, die Tarife im Detail unter Preise.

So testest du den Unterschied selbst: Nimm einen repräsentativen Ausschnitt deiner Aufnahmen – gern die schwierigste Stelle mit Namen, Fachbegriffen oder Dialekt – und transkribiere ihn mit beiden Modellen. Vergleiche die Stellen, die dir wichtig sind. Das sagt mehr als jeder Benchmark.

Unabhängig vom Modell gilt: Wähle die Sprache manuell aus, wenn du sie kennst – das ist in der Regel zuverlässiger als die automatische Erkennung. Und die Aufnahmequalität hat oft mehr Einfluss auf das Ergebnis als die Modellwahl. Tipps dazu stehen in unserem Audio-Transkription Guide 2026.

Whisper lokal ausführen

Da Whisper Open Source ist, kannst du beide Modelle auch auf deinem eigenen Rechner laufen lassen. Das ist vor allem interessant, wenn Aufnahmen deinen Rechner gar nicht verlassen sollen – etwa bei Forschungsdaten mit personenbezogenen Inhalten oder vertraulichen Gesprächen.

Ein paar Punkte, die du wissen solltest:

Hardware: Mit einer aktuellen Grafikkarte (NVIDIA mit ausreichend Videospeicher) oder einem Apple-Silicon-Mac laufen die großen Modelle flüssig. large-v3 braucht dabei spürbar mehr Speicher als Turbo – die offizielle Implementierung nennt grob rund 10 GB VRAM für large und rund 6 GB für Turbo; optimierte Varianten kommen mit weniger aus.
Nur CPU: Funktioniert, ist aber besonders bei large-v3 langsam. Eine Stunde Audio kann dann je nach Rechner ein Vielfaches der Aufnahmedauer brauchen. Hier ist Turbo oft der pragmatischere Kompromiss.
Einrichtung: Die Kommandozeilen-Version setzt etwas technisches Know-how voraus. Einfacher sind Programme mit grafischer Oberfläche, die Whisper im Hintergrund nutzen.

Eine bekannte kostenlose Desktop-Lösung ist noScribe. Wie sie sich im Vergleich zu einem Online-Dienst schlägt – Vorteile, Nachteile und für wen was passt – liest du in unserem Vergleich noScribe-Alternative.

Online oder lokal – eine faire Einordnung:

Lokal passt, wenn Daten den eigenen Rechner nicht verlassen dürfen, du leistungsfähige Hardware hast und dich die Einrichtung nicht abschreckt.
Online passt, wenn du ohne Installation und ohne starke Hardware schnell zum Ergebnis kommen willst, mit Extras wie KI-Zusammenfassung, Export als SRT/VTT/DOCX/PDF und Bearbeitung im Browser. Die Verarbeitung bei Scriptivo erfolgt nach DSGVO-Grundsätzen, Details stehen in der Datenschutzerklärung.

Häufige Fragen

Ist Turbo einfach eine neuere Version von large-v3?

Nein. Turbo ist eine verkleinerte und nachtrainierte Variante von large-v3 mit deutlich weniger Decoder-Schichten. Sie ist auf Geschwindigkeit optimiert, nicht auf höhere Genauigkeit.

Erkennt eines der beiden Modelle Sprecher?

Nein. Whisper selbst ordnet den Text keinen Sprechern zu – das gilt für beide Modelle. Dafür braucht es eine separate Sprechererkennung (Diarisierung). Bei Interviews oder Meetings helfen zusätzlich die Zeitstempel im Transkript, Namen nachträglich zu prüfen oder zu ergänzen.

Kann ich das Modell bei Scriptivo selbst auswählen?

Das Modell hängt vom Tarif ab: Die kostenlose Version nutzt Turbo, Pro, Business und der Pass nutzen large-v3. Eine separate Modellauswahl brauchst du dafür nicht.

Wird large-v3 bald von einem neuen Modell abgelöst?

Das lässt sich nicht seriös vorhersagen. Die Spracherkennung entwickelt sich schnell weiter – was bleibt, ist der Grundsatz: Teste neue Modelle mit deinen eigenen Aufnahmen, bevor du dich auf Benchmark-Zahlen verlässt.

Fazit

large-v3 ist das genauere Modell – spürbar vor allem bei Dialekten, Namen, Fachbegriffen und schwieriger Aufnahmequalität.
Turbo ist deutlich schneller und bei klaren Aufnahmen oft nah dran.
Den Unterschied für deine Aufnahmen findest du am besten mit einem eigenen Test heraus.

Probier es aus: Lade eine Aufnahme kostenlos hoch und sieh dir das Turbo-Ergebnis an. Wenn es auf jedes Wort ankommt, transkribierst du mit Pro automatisch mit large-v3.