Spracherkennungsmodelle im Vergleich und die richtige Wahl
Wir haben die 10 Spracherkennungsmodelle dieses Tools mit denselben Aufnahmen in 5 Sprachen gemessen. Die Fehlerquote ist der Anteil falsch erkannter Inhalte, die Verarbeitungszeit ein Richtwert für 1 Stunde Audio. Wenn Sie unsicher sind, welches Modell Sie wählen sollen, beginnen Sie mit „Empfehlungen nach Sprache und Gerät“.
Gemessen am: 29. Oktober 2026
Empfehlungen nach Sprache und Gerät
Japanisch
Auf einem Computer mit WebGPU ist Haas-ja v1.0 (710 MB) am genauesten (Fehlerquote 5,2 %). Es braucht außerdem nur etwa ein Drittel der Zeit von SenseVoice Small. Auf solchen Computern ist es in Chrome und Edge voreingestellt (außer auf Macs mit Apple Chip). Auf Smartphones und Computern ohne WebGPU wählen Sie das voreingestellte SenseVoice Small (240 MB). Es ist etwa so genau wie Whisper Large v3 Turbo (1,5 GB) und braucht weniger als die Hälfte der Zeit.
Chinesisch und Koreanisch
Für Chinesisch ist das voreingestellte SenseVoice Small genauer als jedes Whisper-Modell. Für Koreanisch sind auf einem Computer mit WebGPU Whisper Large v3 Turbo (Fehlerquote 5,0 %) und Large v3 (4,6 %) genauer als SenseVoice Small (7,9 %). In beiden Sprachen ist Qwen3-ASR 1.7B auf einem Computer mit WebGPU mindestens so genau wie SenseVoice Small.
Englisch
Auf einem Computer mit WebGPU sind Whisper Large v3 Turbo (Fehlerquote 5,8 %) oder Medium (5,7 %) genau genug. Am genauesten ist Qwen3-ASR 1.7B (4,3 %), es lädt beim ersten Mal aber etwa 5,2 GB herunter und belegt etwa 5 GB GPU-Speicher. Auf Smartphones wählen Sie SenseVoice Small (9,0 %).
Spanisch, Deutsch und andere Sprachen
Auf einem Computer mit WebGPU wählen Sie Whisper Large v3 Turbo. Bei Spanisch ist Turbo (Fehlerquote 4,4 %) genauer als Large v3 (6,2 %) und zudem schneller. Am genauesten für Spanisch ist Qwen3-ASR 1.7B (4,1 %). Auf Smartphones und Computern ohne WebGPU wählen Sie Whisper Small oder größer.
Smartphones
Für Japanisch, Chinesisch, Koreanisch und Englisch wählen Sie das voreingestellte SenseVoice Small. Auf Smartphones läuft eine leichtere Version (8 Bit) von Whisper, daher liegt die Fehlerquote von Tiny bei Japanisch über 70 %. Für andere Sprachen ist Whisper Small am genauesten, braucht aber etwa so lange wie die Aufnahme oder länger. Für lange Aufnahmen ist auch Whisper Base eine Option.
WebGPU ermöglicht dem Browser, die GPU für Berechnungen zu nutzen. Es ist unter anderem in Chrome und Edge für den Computer verfügbar.
Transkriptionstool öffnenFehlerquote nach Sprache
Die Fehlerquote ist der Anteil des Ergebnisses, der vom korrekten Text abweicht. Je niedriger, desto genauer. Japanisch, Chinesisch und Koreanisch werden nach Zeichen gezählt, Englisch und Spanisch nach Wörtern. Das Modell mit den wenigsten Fehlern je Sprache ist farbig hervorgehoben. Die Tabelle zeigt die Werte auf einem Computer mit WebGPU.
| Modell | Japanisch | Englisch | Spanisch | Koreanisch | Chinesisch |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5,2 % | — | — | — | — |
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % |
| Whisper Tiny | 44,4 % | 16,0 % | 21,1 % | 20,4 % | 30,1 % |
| Whisper Base | 26,3 % | 11,5 % | 13,2 % | 13,7 % | 24,0 % |
| Whisper Small | 14,1 % | 7,3 % | 7,6 % | 7,2 % | 14,5 % |
| Whisper Medium | 8,7 % | 5,7 % | 5,3 % | 5,7 % | 9,8 % |
| Whisper Large v3 Turbo | 8,9 % | 5,8 % | 4,4 % | 5,0 % | 9,9 % |
| Whisper Large v3 | 6,9 % | 5,6 % | 6,2 % | 4,6 % | 11,5 % |
| Qwen3-ASR 1.7B | 8,0 % | 4,3 % | 4,1 % | 5,1 % | 7,7 % |
| Voxtral Mini 4B | 6,1 % | — | — | — | — |
„—“ bedeutet, dass das Modell in diesem Tool für diese Sprache nicht wählbar ist. Gemessen wurde mit vorgelesener Sprache; bei Aufnahmen mit Störgeräuschen oder Gesprächen mehrerer Personen machen alle Modelle mehr Fehler.
Verarbeitungszeit und Downloadgröße
Die Verarbeitungszeit ist ein Richtwert dafür, wie lange die Transkription von 1 Stunde Audio auf unserem Testcomputer (AMD Ryzen 7 8745H, integrierte Grafik Radeon 780M) dauert. Der Download erfolgt nur beim ersten Mal; danach wird das im Browser gespeicherte Modell verwendet.
| Modell | Zeit für 1 Stunde Audio | Erster Download | Voraussetzungen |
|---|---|---|---|
| Haas-ja v1.0 | ca. 2 Min. | 〜710 MB | Computer mit WebGPU (belegt etwa 1 GB GPU-Speicher) |
| SenseVoice Small | ca. 7 Min. | 〜240 MB | Computer und Smartphones (läuft auf der CPU) |
| Whisper Tiny | ca. 5 Min. | 〜145 MB | Computer und Smartphones |
| Whisper Base | ca. 6 Min. | 〜280 MB | Computer und Smartphones |
| Whisper Small | ca. 10 Min. | 〜925 MB | Computer und Smartphones |
| Whisper Medium | ca. 19 Min. | 〜650 MB | Computer mit WebGPU empfohlen (auf der CPU dauert 1 Stunde Audio mehrere Stunden) |
| Whisper Large v3 Turbo | ca. 16 Min. | 〜1.5 GB | Computer mit WebGPU und einer GPU mit 16-Bit-Gleitkomma (fp16) empfohlen (ohne läuft es auf der CPU und dauert mehrere Stunden) |
| Whisper Large v3 | ca. 23 Min. | 〜2.0 GB | Computer mit WebGPU und einer GPU mit 16-Bit-Gleitkomma (fp16) |
| Qwen3-ASR 1.7B | ca. 19 Min. | 〜5.2 GB | Computer mit WebGPU (belegt etwa 5 GB GPU-Speicher) |
| Voxtral Mini 4B | ca. 50 Min. | 〜2.9 GB | Computer mit WebGPU und einer GPU mit 16-Bit-Gleitkomma (fp16) (belegt etwa 5 GB GPU-Speicher; bei integrierter Grafik 16 GB RAM oder mehr) |
Auf Computern mit dedizierter GPU wie GeForce geht es schneller, auf älteren Computern langsamer. SenseVoice Small nutzt die GPU nicht, sondern läuft auf der CPU.
Auf Smartphones und Computern ohne WebGPU
Auf Smartphones und Computern ohne WebGPU läuft eine leichtere Version (8 Bit) von Whisper auf der CPU. Die Fehlerquote ist höher als auf der GPU eines Computers, besonders Tiny wird deutlich schlechter.
| Modell | Japanisch | Englisch | Spanisch | Koreanisch | Chinesisch | Zeit für 1 Stunde Audio | Erster Download |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % | ca. 7 Min. | 〜240 MB |
| Whisper Tiny | 70,5 % | 28,3 % | 31,5 % | 30,2 % | 51,0 % | ca. 10 Min. | 〜40 MB |
| Whisper Base | 31,2 % | 12,1 % | 14,0 % | 15,2 % | 25,1 % | ca. 15 Min. | 〜75 MB |
| Whisper Small | 14,8 % | 7,6 % | 7,7 % | 7,4 % | 14,3 % | ca. 45 Min. | 〜240 MB |
Die Zeiten gelten für die CPU unseres Testcomputers (1 Thread). Auf Smartphones dauert es länger. Whisper Medium und größer brauchen auf der CPU für 1 Stunde Audio mehrere Stunden.
Was die Messungen zeigen
- Größere Modelle sind nicht immer genauer. Whisper Large v3 ist bei Japanisch und Koreanisch genauer als Large v3 Turbo, macht bei Spanisch und Chinesisch aber mehr Fehler als Turbo und braucht etwa 1,4-mal so lange.
- Bei Japanisch und Chinesisch ist das 240 MB große SenseVoice Small mindestens so genau wie das 1,5 GB große Whisper Large v3 Turbo (Japanisch 8,6 % gegenüber 8,9 %, Chinesisch 7,9 % gegenüber 9,9 %).
- Whisper Medium ist fast so genau wie Large v3 Turbo bei weniger als halb so großem Download (650 MB gegenüber 1,5 GB). Es braucht etwa 1,2-mal so lange wie Turbo.
- Qwen3-ASR 1.7B macht bei Englisch, Spanisch und Chinesisch die wenigsten Fehler.
- Die wenigsten Fehler bei Japanisch macht Haas-ja v1.0 (5,2 %), etwa 40 % weniger als SenseVoice Small (8,6 %). Es braucht außerdem nur etwa ein Drittel der Zeit von SenseVoice Small.
- Auf der CPU, wie auf Smartphones, steigt die Fehlerquote von Whisper Tiny stark (bei Japanisch von 44,4 % auf 70,5 %). Small ändert sich kaum.
So haben wir gemessen
- Als Audio dienen 100 Äußerungen je Sprache, in gleichmäßigen Abständen aus dem Testteil von FLEURS (vorgelesene Sprache) ausgewählt, einem von Google veröffentlichten mehrsprachigen Datensatz zur Bewertung von Spracherkennung.
- Wir haben im Browser mit derselben Software wie dieses Tool (transformers.js 4.2.0), denselben Modellformaten und derselben Verarbeitung transkribiert (der Anfangstext für Whisper und die Wiederholung von Abschnitten mit leerem Ergebnis).
- Vor dem Vergleich mit dem korrekten Text haben wir Satzzeichen, Leerzeichen und Unterschiede zwischen voller und halber Zeichenbreite entfernt. Chinesisch wurde auf Kurzzeichen vereinheitlicht, Englisch mit der in der Whisper-Bewertung verwendeten Textnormalisierung bearbeitet.
- Der Testcomputer hat einen AMD Ryzen 7 8745H (integrierte Grafik Radeon 780M) und 32 GB Arbeitsspeicher, der Browser war Chromium 153. Die Zeiten enthalten nicht das Laden des Modells.
- Haas-ja v1.0 und Voxtral Mini 4B wurden nur für Japanisch gemessen, SenseVoice Small für die 4 Sprachen außer Spanisch (nur die Sprachen, für die das jeweilige Modell in diesem Tool wählbar ist). Voxtral Mini 4B wurde am Tag vor den anderen Modellen gemessen und Haas-ja v1.0 am 3. November 2026, jeweils auf demselben Computer mit denselben Aufnahmen.
- Da Qwen3-ASR 1.7B ein separates Modell für die Zeitstempel verwendet, wurde seine Verarbeitungszeit einschließlich dieses Schritts gemessen, indem japanisches Audio (108 Sekunden) in diesem Tool transkribiert wurde.
Häufige Fragen
Sind größere Modelle genauer?
Nicht immer. Bei Whisper steigt die Genauigkeit von Tiny bis Medium mit der Größe, aber Large v3 machte bei Spanisch und Chinesisch mehr Fehler als Large v3 Turbo. Bei Japanisch und Chinesisch ist das kleine SenseVoice Small etwa so genau wie Turbo.
Welches Modell soll ich auf dem Smartphone wählen?
Für Japanisch, Chinesisch, Koreanisch und Englisch wählen Sie SenseVoice Small. Es ist auch voreingestellt. Für andere Sprachen ist Whisper Small am genauesten, aber langsam, daher ist für lange Aufnahmen auch Whisper Base eine Option. Tiny macht viele Fehler und wird nicht empfohlen.
Wie wird das voreingestellte Modell bestimmt?
Es wird automatisch anhand der gewählten Sprache und der Leistung des Geräts bestimmt. Für Japanisch ist es Haas-ja v1.0, wenn auf einem Computer mit mindestens 4 GB Arbeitsspeicher WebGPU in Chrome, Edge oder einem ähnlichen Browser verfügbar ist (außer auf Macs mit Apple Chip). Für Japanisch in anderen Fällen, etwa auf Smartphones oder in Safari und Firefox, sowie für Chinesisch und Koreanisch ist es SenseVoice Small. Für Englisch und andere Sprachen wird je nach GPU und Arbeitsspeicher eines der Whisper-Modelle gewählt. Bei Englisch erhalten Geräte, die Whisper Base oder kleiner bekämen (etwa Smartphones und Computer mit integrierter Grafik), stattdessen SenseVoice Small.
Gilt die Fehlerquote auch für Besprechungsaufnahmen?
Nein. Diese Messungen verwenden von einer Person vorgelesene Sprache; bei Aufnahmen mit Störgeräuschen oder Gesprächen mehrerer Personen machen alle Modelle mehr Fehler. Nutzen Sie die Werte als Richtschnur für den Vergleich der Modelle.
Modell wählen und transkribieren
Dieses Tool ist kostenlos und erfordert keine Registrierung. Audiodateien werden im Browser verarbeitet und verlassen Ihr Gerät nicht.
Transkriptionstool öffnen