Engines

Audiotext transkribiert mit einer von drei Engines, die Sie auf der Karte Engine der Transkriptionseinstellungen wählen.

	WhisperX	Whisper-API	Google-API
Läuft auf	Ihrem Computer	Servern von OpenAI	Servern von Google
Internet	Nur zum Herunterladen der Modelle	Erforderlich	Erforderlich
Kosten	Kostenlos, unbegrenzt	Kostenpflichtig	Kostenloses Kontingent (60 Min./Monat) oder kostenpflichtig mit API-Schlüssel
Erkennt die Sprache	✓	✓	✗
Übersetzt	✓	✓	✗
Zeitstempel	✓	Je nach Modell	✗
Erkennt Sprecher	✓ (Hugging-Face-Token)	`gpt-4o-transcribe-diarize`	✗
Zeiten pro Wort	✓	`whisper-1`	✗
Live-Text	✓	✗	✗
Wörter mit geringer Konfidenz	✓ (Zeiten pro Wort)	`whisper-1` (Segmente)	✗

WhisperX

WhisperX ist eine schnelle Implementierung von OpenAIs Whisper, die auf Ihrem Computer läuft – Ihr Audio verlässt ihn also nie. Es läuft auf der CPU oder, viel schneller, auf einer NVIDIA-GPU mit CUDA oder auf der GPU eines Macs mit Apple Silicon.

Modell

Größere Modelle sind genauer, aber langsamer und brauchen mehr Speicher. Das Modell wird bei der ersten Verwendung heruntergeladen.

Modell	Parameter	Benötigter VRAM
`tiny`, `tiny.en`	39 M	~1 GB
`base`, `base.en`	74 M	~1 GB
`small`, `small.en`	244 M	~2 GB
`distil-small.en`	166 M	~2 GB
`medium`, `medium.en`	769 M	~5 GB
`distil-medium.en`	394 M	~3 GB
`large-v1`, `large-v2`, `large-v3`	1550 M	<8 GB
`large-v3-turbo`	809 M	~6 GB
`distil-large-v2`, `distil-large-v3`, `distil-large-v3.5`	756 M	~5 GB

large-v2 ist der Standard, da large-v3 häufiger halluziniert und Text wiederholt, besonders in manchen Sprachen wie Japanisch, und mehr Satzzeichen auslässt.
large-v3-turbo ist eine verkleinerte Version von large-v3, viel schneller und fast genauso genau.
Die Modelle mit der Endung .en (tiny.en, base.en, small.en, medium.en) und die destillierten Modelle (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) transkribieren nur Englisch. Sie sind schneller als die mehrsprachigen Modelle gleicher Größe.

Auf einem Mac

Auf Macs mit Apple Silicon transkribiert MLX Whisper auf der GPU, viel schneller als auf der CPU. Danach richtet WhisperX wie immer die Wörter aus und erkennt die Sprecher auf der CPU, sodass die Transkriptionen ihre Zeiten pro Wort, Bewertungen und Sprecher behalten.

Die MLX-Version des Modells wird bei der ersten Verwendung heruntergeladen.
distil-small.en, distil-large-v2 und distil-large-v3.5 haben keine MLX-Version und laufen daher auf der CPU.
Der Live-Text läuft immer auf der CPU.
Berechnungstyp und Batchgröße gelten auf der GPU nicht, da MLX immer mit halber Genauigkeit und ohne Batches rechnet.
Um auf der CPU zu transkribieren, aktivieren Sie CPU verwenden unter Einstellungen → Transkription.

Erweiterte Optionen

Sie finden sie unter Einstellungen → Transkription → WhisperX. Ändern Sie sie nur bei Problemen oder wenn Sie wissen, was Sie tun: Eine GPU ohne freien Speicher kann Ihr System einfrieren.

Berechnungstyp: die Genauigkeit der Zahlen des Modells. float16 ist auf NVIDIA-GPUs schneller (Standard mit CUDA). int8 braucht weniger Speicher und ist der Standard auf der CPU, da viele CPUs float16 nicht effizient unterstützen. float32 ist am genauesten, für GPUs mit mehr als 8 GB VRAM.
Batchgröße: wie viele Teile des Audios gleichzeitig verarbeitet werden (standardmäßig 8). Sie ändert nicht die Qualität, nur die Geschwindigkeit. Verringern Sie sie, wenn der Speicher nicht reicht; empfohlen sind höchstens 16.
CPU verwenden: führt WhisperX auf der CPU aus. Immer aktiv, wenn keine GPU gefunden wurde (eine NVIDIA-GPU mit CUDA oder die GPU eines Macs mit Apple Silicon).

Whisper-API

Verwendet die Speech-to-Text-API von OpenAI. Sie ist für Computer gedacht, auf denen WhisperX nicht flüssig läuft, und erfordert einen OpenAI-API-Schlüssel (siehe API-Schlüssel).

Modell	Zeitstempel	Sprecher	Hinweise
`whisper-1` (Standard)	✓	✗	Lässt sich Segment für Segment abspielen und untertiteln. Übersetzt ins Englische. Bewertet jedes Segment, um die mit geringer Konfidenz zu prüfen.
`gpt-transcribe`	✗	✗	Genauer, aber ohne Zeitstempel.
`gpt-4o-transcribe-diarize`	✓	✓	Erkennt die Sprecher. Verwendet weder Schlüsselwörter noch Beschreibung.

Übersetzungen ins Englische erstellt immer whisper-1, da es das einzige Modell ist, das übersetzt.

Lange Aufnahmen werden in Abschnitte von bis zu 10 Minuten geteilt, jeweils an einer Stille, damit kein Wort zerschnitten wird, da die API Dateien über 25 MB ablehnt. Bei whisper-1 wird das Ende jedes Abschnitts dem nächsten als Kontext mitgegeben; bei gpt-4o-transcribe-diarize wird mit den folgenden Abschnitten eine Stimmprobe jedes Sprechers gesendet, damit die Bezeichnungen erhalten bleiben.

Optionen

Antwortformat (Karte Ausgabe, für Ordner): text (Standard), json, verbose_json, srt oder vtt. Untertitel und verbose_json erfordern ein Modell mit Zeitstempeln.
Temperatur (Einstellungen → Transkription): zwischen 0 und 1. Hohe Werte wie 0,8 machen das Ergebnis zufälliger, niedrige wie 0,2 fokussierter. Bei 0 (Standard) erhöht das Modell sie bei Bedarf automatisch.
Zeitstempel der Wörter (Einstellungen → Transkription): ob whisper-1 auch die Zeitstempel jedes Wortes liefert, um es beim Abspielen hervorzuheben. Dauert länger. Standardmäßig aktiv.

Google-API

Verwendet die Google Speech-to-Text-API. Sie setzt keine Satzzeichen (die fügt Audiotext hinzu), und ihre Qualität ist geringer als die von Whisper, daher müssen die Transkriptionen oft korrigiert werden. Sie kann die Sprache weder erkennen noch übersetzen und liefert Nur-Text ohne Zeitstempel.

Ohne API-Schlüssel wird das kostenlose Kontingent genutzt, begrenzt auf 60 Minuten pro Monat. Um es zu erweitern, legen Sie einen Google-API-Schlüssel fest. Google berechnet die Nutzung; Audiotext übernimmt dafür keine Verantwortung.