Was ist Parakeet TDT 0.6B v3?
Parakeet TDT 0.6B v3 ist ein Spracherkennungsmodell von NVIDIA mit 600 Millionen Parametern, veröffentlicht am 14. August 2025 auf Hugging Face unter der Lizenz CC BY 4.0, die kommerzielle Nutzung mit Namensnennung erlaubt. Es erweitert das rein englische v2 auf 25 europäische Sprachen, von Bulgarisch bis Ukrainisch, und erkennt die Sprache automatisch.
Es ergänzt Interpunktion, Groß- und Kleinschreibung sowie Zeitstempel für Wörter, Segmente und Zeichen und verarbeitet mit voller Attention auf einer A100 80GB bis zu 24 Minuten Audio, mit lokaler Attention bis zu 3 Stunden. Laut NVIDIA braucht es zum Laden mindestens 2GB Speicher. Es läuft über NVIDIAs NeMo-Toolkit, Hugging Face Transformers oder die schlanke Laufzeit NeMo-Speech.cpp, und NeMo enthält ein Skript für Streaming in Abschnitten.
Was kostet Parakeet TDT 0.6B v3?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | CC BY 4.0 |
| Together AI | $0.0015 a minute ($1.50 per 1,000 minutes) |
Kostenlos unter CC BY 4.0. Die gehostete Version bei Together AI kostet 0,0015 $ pro Minute (1,50 $ pro 1.000 Minuten).
Lohnt sich Parakeet TDT 0.6B v3?
Parakeet v3 ist das schnellste Transkriptionsmodell, das Artificial Analysis misst. Das Deployment bei Together AI läuft mit dem 617,7-Fachen der Echtzeit, vor Deepgram Nova-3 mit 546,2. Eine Stunde Audio ist damit in etwa sechs Sekunden zurück. Die Genauigkeit ist durchschnittlich: Eine AA-WER von 4,5 % liegt gleichauf mit Whisper large-v3 bei Together und bedeutet Platz 39 von 62 Einträgen.
Als gehosteter Dienst überzeugt es weniger als selbst betrieben. Together verlangt 1,50 $ pro 1.000 Minuten, während Whisper large-v3-turbo bei Groq 0,67 $ kostet, bei 4,6 % Fehlerrate. Wer nur eine API will, zahlt also mehr als das Doppelte für Tempo, das er womöglich nicht braucht. Auch die Spitzenreiter bei der Genauigkeit sind enteilt: Microsofts MAI-Transcribe-2 kommt auf 2,0 % für 1,67 $, und Mistrals Voxtral Small Transcribe 3 erreicht 2,1 %.
Seinen Platz verdient sich das Modell auf eigener Hardware. Mit 600 Millionen Parametern und mindestens 2GB Speicher passt es neben andere Workloads auf eine einzelne GPU, Zeitstempel gibt es gratis dazu, und NVIDIAs Modus mit lokaler Attention für 3 Stunden verarbeitet eine ganze Besprechung oder Gerichtsverhandlung ohne Logik zum Zerlegen. NVIDIA hat es auf 128 A100 trainiert, und das zugrunde liegende Granary-Korpus ist veröffentlicht. Das ist mehr Transparenz beim Training, als die meisten kommerziellen Konkurrenten bieten.
Die Sprachliste ist die Grenze. Sie umfasst 25 europäische Sprachen und sonst nichts. Ein Contact Center mit Anrufen auf Arabisch, Hindi oder Mandarin braucht daneben Whisper oder ein gehostetes Modell, und die Namensnennungspflicht von CC BY 4.0 ist ein Punkt mehr für die Rechtsprüfung als die MIT-Lizenz von Whisper.
Wo es sich lohnt
Ein ML-Engineer bei einem deutschen Medienbeobachter, der 10.000 Stunden Sendematerial im Monat verarbeitet
Europäisches Fernsehen und Radio auf eigenen GPUs transkribieren und mit Zeitstempeln versehen
Betreibe Parakeet v3 in NeMo auf vorhandenen GPUs. Beim 617,7-Fachen der Echtzeit, das Artificial Analysis bei Together gemessen hat, sind die 10.000 Stunden eines Monats in etwa 16 Stunden verarbeitet; dieselben 600.000 Minuten würden bei Together etwa 900 $ kosten.
Ein Produktteam, das Live-Untertitel für eine europaweite Videokonferenz-App baut
Anrufe in der Sprache des Sprechers untertiteln, ohne dass Nutzer eine auswählen müssen
Automatische Spracherkennung über 25 Sprachen und NeMos Skript für Streaming in Abschnitten decken die Grundlagen ab; Anrufe auf Englisch, Französisch und Deutsch funktionieren, aber wer Türkisch oder Arabisch spricht, bekommt nichts Brauchbares.
Ein Legal-Tech-Startup mit Gerichtsaufnahmen, die die EU nicht verlassen dürfen
Transkripte von bis zu dreistündigen Verhandlungen mit Zeitstempeln erstellen
Lokale Attention verarbeitet eine 3-Stunden-Datei vor Ort in einem Durchgang, das Audio erreicht also nie eine fremde API. Der Preis ist eine Fehlerrate von 4,5 %, Namen und Zahlen muss also weiterhin ein Mensch prüfen.
Bevor du dich festlegst
- Einrichtung
- pip install NeMo, nvidia/parakeet-tdt-0.6b-v3 mit from_pretrained laden und transcribe mit timestamps=True aufrufen; NVIDIA nennt Linux als unterstützte Plattform.
- Integrationen
- NeMo, Hugging Face Transformers und NeMo-Speech.cpp; Together AI für einen gehosteten Endpunkt. NVIDIAs NIM-Seite behandelt v2, nicht v3.
- Daten und Datenschutz
- CC BY 4.0 erlaubt kommerzielle Nutzung mit Namensnennung und ohne Umsatzgrenze. Selbst gehostet bleibt das Audio auf deiner Hardware; für die gehostete Version gelten die Aufbewahrungsregeln von Together.
- Kosten im großen Maßstab
- Selbst gehostet braucht es zum Laden nur 2GB und läuft daher auf jeder aktuellen NVIDIA-GPU. Gehostet bei Together kosten 600.000 Minuten im Monat etwa 900 $; Whisper turbo bei Groq läge für dieselbe Menge bei etwa 400 $.
- Grenzen
- Nur 25 europäische Sprachen; 24 Minuten pro Datei mit voller Attention auf einer A100 80GB, 3 Stunden mit lokaler Attention; 4,5 % AA-WER.
Was gut ist
- 617,7-fache Echtzeit bei Together AI, Platz eins auf der Rangliste von Artificial Analysis
- 600M Parameter, lädt mit 2GB Speicher
- Zeitstempel für Wörter, Segmente und Zeichen; mit lokaler Attention bis zu 3 Stunden pro Datei
Was nicht
- Nur 25 europäische Sprachen
- 4,5 % AA-WER, etwa doppelt so viele Fehler wie Scribe v2 oder Voxtral Small Transcribe 3
- Gehostet bei Together für 1,50 $ pro 1.000 Minuten, teurer als Whisper turbo bei Groq für 0,67 $
- CC BY 4.0 verlangt Namensnennung
Am besten für
Entwickler, die große Mengen Audio in europäischen Sprachen transkribieren und Tempo und niedrige Kosten schätzen.
Alternativen zu Parakeet TDT 0.6B v3
Parakeet TDT 0.6B v3: häufige Fragen
- Lohnt sich Parakeet TDT 0.6B v3?
- Parakeet v3 hält den Geschwindigkeitsrekord bei der Transkription, mit Genauigkeit auf Whisper-Niveau und einer harten Grenze um Europa. Wir bewerten es mit 4.1 von 5.
- Was kostet Parakeet TDT 0.6B v3?
- Kostenlos unter CC BY 4.0. Die gehostete Version bei Together AI kostet 0,0015 $ pro Minute (1,50 $ pro 1.000 Minuten).
- Welche Nachteile hat Parakeet TDT 0.6B v3?
- Nur 25 europäische Sprachen; 4,5 % AA-WER, etwa doppelt so viele Fehler wie Scribe v2 oder Voxtral Small Transcribe 3; Gehostet bei Together für 1,50 $ pro 1.000 Minuten, teurer als Whisper turbo bei Groq für 0,67 $; CC BY 4.0 verlangt Namensnennung.
- Für wen eignet sich Parakeet TDT 0.6B v3?
- Entwickler, die große Mengen Audio in europäischen Sprachen transkribieren und Tempo und niedrige Kosten schätzen.
- Was kostet Parakeet TDT 0.6B v3 für ein Team oder im Produktivbetrieb?
- Selbst gehostet braucht es zum Laden nur 2GB und läuft daher auf jeder aktuellen NVIDIA-GPU. Gehostet bei Together kosten 600.000 Minuten im Monat etwa 900 $; Whisper turbo bei Groq läge für dieselbe Menge bei etwa 400 $.
- Ist Parakeet TDT 0.6B v3 sicher für Firmendaten?
- CC BY 4.0 erlaubt kommerzielle Nutzung mit Namensnennung und ohne Umsatzgrenze. Selbst gehostet bleibt das Audio auf deiner Hardware; für die gehostete Version gelten die Aufbewahrungsregeln von Together.
- Was sind die besten Alternativen zu Parakeet TDT 0.6B v3?
- Die nächsten Alternativen, die wir getestet haben, sind Whisper large-v3-turbo, VibeVoice-ASR und Deepgram Nova-3.
Antworten geprüft am 23. Okt. 2026.