Zum Inhalt springen
Sonorarium
Zurück zum Blog

Whisper kostenlos auf dem eigenen Computer nutzen (Anleitung)

Whisper von OpenAI mit pip und ffmpeg installieren, Befehle, Modell nach Speicher wählen und wissen, wann ein Cloud-Dienst einfacher ist.

Sonorarium-Team 6 Min. Lesezeit

Kurz gesagt: Haben Sie einen brauchbaren Rechner und schreckt Sie die Kommandozeile nicht ab, reicht Whisper: kostenlos (MIT-Lizenz), und Ihr Audio verlässt Ihren Rechner nicht. Installieren Sie ffmpeg, danach openai-whisper mit pip; mit Nvidia-Karte unter Windows zuerst PyTorch mit CUDA. Kein Editor. Wenn Sie nichts installieren möchten, läuft es bei Sonorarium in der Cloud (das Audio wird hochgeladen): 15 Gratisminuten beim Erstellen Ihres Kontos, ohne Karte. Weder Whisper noch wir trennen Sprecher.

Ja, Sonorarium ist unser Werkzeug. Die Befehle und Zahlen in diesem Leitfaden stammen aus der offiziellen Whisper-README und von den Webseiten der einzelnen Programme, geöffnet am 4. November 2026. Open-Source-Projekte ändern sich: Im Zweifel gilt deren README.

Was Sie brauchen

  • Python. Laut README soll der Code mit Python 3.8–3.11 und aktuellen PyTorch-Versionen kompatibel sein. Die torch-Seite auf PyPI (4. November 2026) verlangt heute Python 3.11 oder neuer; schlägt die Installation fehl, versuchen Sie deshalb Python 3.11 (das ist unser Rat, nicht der der README).
  • ffmpeg, um Audio und Video zu lesen.
  • GPU oder CPU. Whisper nutzt eine Nvidia-GPU, wenn PyTorch eine findet; sonst die CPU. Mit der CPU funktioniert es, dauert aber länger. Unter Windows findet PyTorch Ihre Nvidia erst nach dem Schritt „PyTorch mit CUDA“ im nächsten Abschnitt.

Installation

Zuerst ffmpeg. Das sind die Befehle aus der README, je nach System:

# Ubuntu oder Debian
sudo apt update && sudo apt install ffmpeg

# Arch Linux
sudo pacman -S ffmpeg

# macOS mit Homebrew
brew install ffmpeg

# Windows mit Chocolatey
choco install ffmpeg

# Windows mit Scoop
scoop install ffmpeg

Unter Windows laden Sie ffmpeg, falls Sie weder Chocolatey noch Scoop nutzen, von ffmpeg.org herunter.

Nutzen Sie Windows und eine Nvidia-Grafikkarte, gibt es vor Whisper noch einen Schritt: PyTorch mit CUDA installieren. Wählen Sie auf pytorch.org im Selektor Ihr System, Pip und Ihre CUDA-Version und führen Sie den angezeigten Befehl aus; wir kopieren ihn nicht hierher, weil er sich mit jeder Version ändert. Unter Windows installiert das normale pip PyTorch nur für die CPU. Zur Kontrolle schlägt die Seite selbst vor, in Python import torch und torch.cuda.is_available() auszuführen: Das Ergebnis muss True sein.

Dann Whisper:

pip install -U openai-whisper

Die wichtigsten Befehle

Das Standardmodell ist turbo. Das sind die Befehle aus der README:

whisper audio.flac audio.mp3 audio.wav --model turbo
whisper japanese.wav --language Japanese

Mit Ihrer Datei und Ihrer Sprache sieht es so aus:

whisper interview.mp3 --model turbo --language German
  • --language: Ohne diese Option erkennt Whisper die Sprache selbst. Sie festzulegen verhindert Fehler, wenn der Anfang des Audios Stille oder Rauschen ist.
  • --output_format: txt, vtt, srt, tsv, json, jsonl oder all (standardmäßig entstehen mehrere Dateien auf einmal). Das steht nicht in der README, sondern in der Hilfe des Programms (whisper --help). Zum Beispiel speichert --output_format srt --output_dir untertitel nur die SRT-Datei in diesem Ordner.
  • --task translate: übersetzt ins Englische, nichts anderes. Die README weist darauf hin, dass turbo nicht für Übersetzung trainiert ist; ihr Beispiel nutzt medium.

Aus Python:

import whisper

model = whisper.load_model("turbo")
result = model.transcribe("audio.mp3")
print(result["text"])

Modelle, Speicher und Geschwindigkeit

Diese Tabelle stammt aus der README. Die relative Geschwindigkeit wurde mit englischer Sprache auf einer A100 gemessen, auf Ihrem Rechner ist sie also anders:

Größe Parameter Nur Englisch Mehrsprachig Benötigter VRAM Relative Geschwindigkeit
tiny 39 M tiny.en tiny ~1 GB ~10x
base 74 M base.en base ~1 GB ~7x
small 244 M small.en small ~2 GB ~4x
medium 769 M medium.en medium ~5 GB ~2x
large 1550 M keins large ~10 GB 1x
turbo 809 M keins turbo ~6 GB ~8x

turbo ist laut README eine optimierte Version von large-v3, die schneller transkribiert und dabei kaum an Genauigkeit verliert. Die .en-Modelle sind nur für Englisch gedacht. Hat Ihre GPU wenig Speicher, nehmen Sie ein kleineres Modell und prüfen Sie das Ergebnis gründlicher (das ist unser Rat, nicht der der README). Die Qualität schwankt je nach Sprache stark.

Programme mit Fenster, wenn Sie die Kommandozeile meiden wollen

Programm Was es ist Lizenz oder Preis
noScribe Desktop-App für Windows, macOS und Linux auf Basis von Whisper. Sie erkennt Sprecher und unterstützt rund 60 Sprachen. Laut Webseite bleibt alles auf Ihrem Rechner Kostenlos, GPL-3.0
Buzz Transkribiert offline mit Whisper, exportiert TXT, SRT und VTT und lässt sich per Download oder mit pip install buzz-captions installieren (mit pip ist Python 3.12 nötig; auf dem Mac Apple Silicon) Kostenlos, MIT-Lizenz
MacWhisper Nur für den Mac. Exportiert unter anderem SRT, VTT, TXT und DOCX Gratisversion und Pro, laut Webseite 64 € einmalig

Zwei Hinweise von deren eigenen Seiten. Der noScribe-Installer ist etwa 3 GB groß, und laut den Entwicklern dauert eine Stunde Interview etwa 1 bis 3 Stunden Transkription, auf älteren Rechnern länger. Und Buzz weist darauf hin, dass sein Windows-Installer nicht signiert ist, Windows also eine Warnung zeigt.

Typische Fehler

  • Es bricht ab, weil ffmpeg nicht gefunden wird. Installieren Sie es mit dem obigen Befehl und öffnen Sie ein neues Terminal, damit es erkannt wird.
  • „No module named 'setuptools_rust'“. Laut README kann Rust nötig sein, wenn es für tiktoken keine vorkompilierte Version für Ihre Plattform gibt; sie empfiehlt pip install setuptools-rust.
  • „FP16 is not supported on CPU; using FP32 instead“. Normal, wenn Sie keine Nvidia-GPU haben: Whisper wechselt die Genauigkeit selbst. Haben Sie eine, sieht PyTorch sie nicht: Prüfen Sie den Schritt „PyTorch mit CUDA“.
  • Der Grafikspeicher reicht nicht. Nehmen Sie ein kleineres Modell aus der Tabelle.
  • Es schreibt in einer Sprache, die nicht Ihre ist. Ergänzen Sie --language.

Wann es sich nicht lohnt

  • Sie haben keine GPU. Es funktioniert, aber die Geschwindigkeitstabelle gilt nicht für Ihre CPU, und die Zeiten können lang sein.
  • Ihre Dateien sind lang oder zahlreich. Ihr Rechner ist währenddessen belegt. Für mehrstündige Aufnahmen lesen Sie langes Audio transkribieren.
  • Sie brauchen einen Editor mit dem Audio neben dem Text. Whisper liefert Textdateien; das Korrigieren übernehmen Sie selbst, indem Sie das Audio separat anhören.
  • Mehrere Personen sprechen. Whisper trennt sie nicht. Ein paar Ideen finden Sie unter Audio mit mehreren Sprechern transkribieren.
  • Sie wollen keine Installation pflegen.

Die Option ohne Installation

Sonorarium nutzt Whisper large-v3 turbo, das turbo aus der Tabelle, auf GPUs in der Cloud. Sie laden die Datei hoch (beliebiges Audio oder Video, bis 2 GB und 5 Stunden) und korrigieren sie in einem Editor, in dem das Audio mit dem Text synchron läuft. Sie laden als Word (DOCX), TXT, SRT oder VTT herunter, in über 60 Sprachen. Es gibt 15 Gratisminuten beim Erstellen Ihres Kontos, ohne Karte; bei einer Besprechung von 60 Minuten deckt das Paket mit 120 Minuten für 6 € die fehlenden 45 ab. Sonorarium trennt keine Sprecher. Bei Sonorarium wird das Audio hochgeladen und nach 7 Tagen gelöscht. Die anderen Pakete stehen auf der Seite Preise.

Um Whisper neben anderen Tools zu sehen, gibt es den Programmvergleich und die Gratis-Grenzen jedes Tools. Und wenn Ihr Fall Word oder Google Docs betrifft, lesen Sie Audio in Word oder Google Docs transkribieren.

Und wenn Sie die Aufnahme einem Assistenten geben, statt etwas zu installieren? Was ChatGPT, Gemini und Copilot heute annehmen, steht in Kann ChatGPT Audio transkribieren?.

Quellen

Geöffnet am 4. November 2026: Whisper-README, der Kommandozeilen-Code, noScribe, Buzz, MacWhisper, die Installationsseite von PyTorch, die torch-Seite auf PyPI und ffmpeg.