Was ist Whisper large-v3-turbo?
Whisper large-v3-turbo ist ein beschnittenes und feinabgestimmtes Whisper large-v3, das OpenAI im Oktober 2024 unter der MIT-Lizenz veröffentlicht hat. Es behält den Encoder von large-v3, kürzt den Decoder aber von 32 auf 4 Schichten; laut OpenAIs GitHub-README ist es damit etwa achtmal so schnell wie large-v3 und braucht rund 6GB VRAM. Seine Hugging-Face-Seite verzeichnet mehr als 124 Millionen Downloads.
OpenAI hat Entwickler am 26. August 2026 informiert, dass das gehostete API-Modell whisper-1 und der Endpunkt /v1/audio/translations am 26. Februar 2027 entfernt werden, zugunsten von gpt-transcribe und gpt-live-transcribe. Die offenen Gewichte sind davon nicht betroffen, aber OpenAI hat seit diesem Modell keinen neuen Whisper-Checkpoint mehr veröffentlicht.
Lohnt sich Whisper large-v3-turbo?
Whisper large-v3-turbo überlebt wegen Preis und Lizenz, nicht wegen seiner Genauigkeit. Artificial Analysis misst auf Groq 4,6% AA-WER, bei 0,67 $ pro 1.000 Minuten und etwa 200-facher Echtzeit. ElevenLabs Scribe v2 erreicht 2,2% und Mistrals Voxtral Small Transcribe 3 erreicht 2,1%, die Spitzenreiter machen also weniger als halb so viele Fehler, zum fünf- bis sechsfachen Preis.
Die Geschwindigkeit kommt von einem groben Schnitt: vier Decoder-Schichten statt 32. OpenAIs README sagt ausdrücklich, dass turbo nicht für Übersetzung trainiert wurde; wer auf Whispers Modus zur Übersetzung ins Englische angewiesen ist, braucht also large-v3, und Groqs eigene Dokumentation führt Übersetzung auf turbo als nicht unterstützt. Groq veröffentlicht zudem eine eigene Wortfehlerrate für das gehostete Modell, 12% gegenüber 10,3% für large-v3, eine nützliche Erinnerung daran, dass turbo auf jedem Host etwas Genauigkeit gegen Durchsatz tauscht.
Die Warnung der Model Card vor Halluzinationen gilt weiterhin. Whisper wurde mit schwach annotiertem Web-Audio trainiert und kann Text ausgeben, der nie gesprochen wurde, und OpenAI berichtet von ungleichmäßiger Genauigkeit über Sprachen, Akzente und Dialekte hinweg, mit geringerer Genauigkeit bei ressourcenarmen Sprachen.
Im Einsatz hält es alles, was um das Modell herum entstanden ist: faster-whisper, whisper.cpp, Transformers-Pipelines, unzählige Fine-Tunes und Hosts von Groq bis Together AI. Nvidias Parakeet TDT 0.6B v3 erreicht in derselben Rangliste inzwischen leicht bessere 4,5% und läuft auf Together AI schneller, kostet mit 1,50 $ pro 1.000 Minuten aber mehr als doppelt so viel wie turbo bei Groq.
Wo es sich lohnt
Ein Podcast-Netzwerk mit 10.000 Stunden Archiv
Jede Folge durchsuchbar machen und Entwürfe für Shownotes erzeugen
Schick das Archiv im Batch durch Groq zu 0,04 $ pro Stunde, etwa 400 $ für alles, und gib nur markierte Folgen zur Korrektur an ein teureres Modell. Die Genauigkeit reicht für die Suche, nicht für wörtliche Zitate.
Ein Platform Engineer bei einem Health-Tech-Start-up, das kein Audio an Dritte senden darf
Diktate von Ärzten vor Ort transkribieren
Betreib turbo mit faster-whisper auf einer GPU mit 8GB oder mehr im privaten Netz. Es gibt keine API-Rechnung und keinen Auftragsverarbeitungsvertrag mit einem Anbieter, aber Evaluierung und Fehlerkorrektur bei medizinischen Begriffen liegen beim Team.
Ein Zwei-Personen-Team, das eine Sprachnotiz-App baut
Transkription auf dem Gerät ohne Abrechnung pro Minute ergänzen
Liefer whisper.cpp mit den turbo-Gewichten aus; die MIT-Lizenz erlaubt die Bündelung in einer kostenpflichtigen App ohne Namensnennung über den Lizenzhinweis hinaus. Rechne mit schwächeren Ergebnissen bei Akzenten und ressourcenarmen Sprachen.
Bevor du dich festlegst
- Einrichtung
- pip install openai-whisper und dann whisper audio.mp3 --model turbo ausführen, oder den OpenAI-kompatiblen Transkriptionsendpunkt von Groq mit whisper-large-v3-turbo aufrufen; beides dauert Minuten.
- Integrationen
- Transformers, faster-whisper, whisper.cpp und die meisten Sprach-Toolkits; gehostet unter anderem von Groq und Telnyx, wobei Groq im Free Tier Dateien bis 25MB und im Dev Tier bis 100MB annimmt.
- Daten und Datenschutz
- Offene Gewichte unter MIT, beim Self-Hosting bleibt das Audio also vollständig unter deiner Kontrolle; bei gehosteten APIs gilt für die Speicherung die Regelung des Hosts, nicht die von OpenAI.
- Kosten im großen Maßstab
- Groq berechnet 0,04 $ pro Audiostunde mit mindestens 10 Sekunden pro Request, 100.000 Stunden im Monat kosten also etwa 4.000 $; fürs Self-Hosting reicht eine GPU mit rund 6GB VRAM.
- Grenzen
- Rezeptives Feld von 30 Sekunden, lange Aufnahmen werden also in Stücke geteilt oder nacheinander verarbeitet; keine Übersetzung; Groq nennt für seinen turbo-Endpunkt 12% WER gegenüber 10,3% für large-v3.
Was gut ist
- MIT-Lizenz ohne Einschränkungen bei Einsatzbereich oder Umsatz
- 0,04 $ pro Audiostunde bei Groq
- Läuft mit etwa 6GB VRAM, eine einzelne Consumer-GPU reicht
- Von fast jedem Sprach-Toolkit und Host unterstützt
Was nicht
- 4,6% AA-WER, etwa doppelt so viele Fehler wie Scribe v2 oder Voxtral Transcribe 3
- Anders als large-v3 nicht für Übersetzung trainiert
- Kann Text halluzinieren, der nie gesprochen wurde
- Seit Oktober 2024 kein neuer Whisper-Checkpoint
Am besten für
Teams, die günstige, freizügig lizenzierte Transkription brauchen, die sie selbst hosten oder für Cent-Beträge pro Stunde einkaufen können, und mit zweitklassiger Genauigkeit leben können.
Alternativen zu Whisper large-v3-turbo
Whisper large-v3-turbo: häufige Fragen
- Lohnt sich Whisper large-v3-turbo?
- Whisper turbo ist heute die billige, uneingeschränkte Basislinie, an der neuere Sprachmodelle gemessen werden, nicht das Modell, das gewinnt. Wir bewerten es mit 3.7 von 5.
- Was kostet Whisper large-v3-turbo?
- Kostenlos unter der MIT-Lizenz. Gehostete Versionen sind günstig: Artificial Analysis führt Groq mit etwa 0,67 $ pro 1.000 Minuten.
- Welche Nachteile hat Whisper large-v3-turbo?
- 4,6% AA-WER, etwa doppelt so viele Fehler wie Scribe v2 oder Voxtral Transcribe 3; Anders als large-v3 nicht für Übersetzung trainiert; Kann Text halluzinieren, der nie gesprochen wurde; Seit Oktober 2024 kein neuer Whisper-Checkpoint.
- Für wen eignet sich Whisper large-v3-turbo?
- Teams, die günstige, freizügig lizenzierte Transkription brauchen, die sie selbst hosten oder für Cent-Beträge pro Stunde einkaufen können, und mit zweitklassiger Genauigkeit leben können.
- Was kostet Whisper large-v3-turbo für ein Team oder im Produktivbetrieb?
- Groq berechnet 0,04 $ pro Audiostunde mit mindestens 10 Sekunden pro Request, 100.000 Stunden im Monat kosten also etwa 4.000 $; fürs Self-Hosting reicht eine GPU mit rund 6GB VRAM.
- Ist Whisper large-v3-turbo sicher für Firmendaten?
- Offene Gewichte unter MIT, beim Self-Hosting bleibt das Audio also vollständig unter deiner Kontrolle; bei gehosteten APIs gilt für die Speicherung die Regelung des Hosts, nicht die von OpenAI.
- Was sind die besten Alternativen zu Whisper large-v3-turbo?
- Die nächsten Alternativen, die wir getestet haben, sind ElevenLabs Scribe v2, GPT Transcribe, Deepgram Nova-3, Parakeet TDT 0.6B v3 und MOSS-Transcribe-Diarize 0.9B.
Antworten geprüft am 22. Okt. 2026.