Whisper lokal: Interviews und Besprechungen auf dem eigenen Rechner transkribieren
Whisper lokal installieren und nutzen, mit Programm oder im Terminal: Welches Modell für deutsche Aufnahmen passt, wie viel Speicher es braucht und wo die Grenzen liegen.
Stand: 2026-10-06
Wer ein Interview, eine Besprechung oder eine Vorlesung abtippen lassen will, landet schnell bei einem Online-Dienst. Die Aufnahme wandert dann auf fremde Server, mit allem, was darin gesagt wurde. Whisper, das Spracherkennungsmodell von OpenAI, läuft dagegen auch auf dem eigenen Rechner, kostenlos und ohne dass die Aufnahme den Rechner verlässt.
Ollama, mit dem viele Menschen Sprachmodelle lokal betreiben, führt Whisper nicht in seiner Bibliothek. Es kann zwar über seine Programmierschnittstelle mit einem Modell, das Ton versteht, etwa den kleinen Gemma-4-Fassungen E2B und E4B, Aufnahmen umschreiben; das ist aber ein Sprachmodell, kein Spracherkennungsmodell, und es braucht Programmierarbeit. Für Whisper brauchen Sie ein eigenes Programm. Dieser Ratgeber zeigt zwei Wege: Buzz mit Oberfläche für alle, die nicht im Terminal arbeiten wollen, und whisper.cpp für alle, die es tun. Dazu kommt, welches Whisper-Modell zu Ihrem Gerät passt und was Whisper nicht kann.
Was Sie brauchen
Wenig Speicher, verglichen mit Sprachmodellen. Whisper ist klein. Unser Katalog rechnet für die verbreitete Fassung Whisper large-v3-turbo in der verkleinerten Stufe q5_0 mit rund 1,4 GB Speicher, in voller Genauigkeit (f16) mit rund 2,4 GB. Beim Speicher ist Whisper deshalb auf fast jedem Rechner möglich. Was sich zwischen den Geräten unterscheidet, ist das Tempo: Mit Grafikchip geht es deutlich schneller als nur auf dem Prozessor. Eigene Messungen dazu haben wir noch nicht, deshalb nennen wir hier keine Zeiten.
Die Aufnahme als Datei. MP3, M4A oder WAV vom Diktiergerät oder Telefon genügen. Je klarer die Aufnahme, desto weniger müssen Sie nachbessern.
Welches Modell für deutsche Aufnahmen
Whisper gibt es in mehreren Größen. Für deutsche Aufnahmen kommen vier infrage. Die Speicherwerte gelten für die verkleinerte Stufe, die auch der Befehl weiter unten lädt:
| Modell | Speicher (Stufe q5) | Wofür |
|---|---|---|
| large-v3-turbo | rund 1,4 GB | der Standard: schnell und laut OpenAI kaum ungenauer als large-v3 |
| large-v3 | rund 1,9 GB | das größte Modell; ob es Ihre Aufnahmen besser erkennt als Turbo, zeigt nur ein Vergleich |
| medium | rund 1,0 GB | die kleinere Wahl, wenn Sie ins Englische übersetzen lassen; large-v3 kann das auch, Turbo laut OpenAI nicht |
| small | rund 0,6 GB | Ausprobieren, sehr wenig Speicher |
Turbo ist laut OpenAI dasselbe Modell wie large-v3, nur mit 4 statt 32 Schichten im Teil, der den Text erzeugt: „As a result, the model is way faster, at the expense of a minor quality degradation.“ In OpenAIs eigener Übersicht, gemessen mit englischer Sprache auf einer Grafikkarte für Rechenzentren (A100), ist Turbo rund achtmal so schnell wie large, medium nur doppelt so schnell. Bei anderen Sprachen und auf anderer Hardware kann das laut OpenAI deutlich abweichen.
Modelle mit „.en“ im Namen erkennen nur Englisch. Für deutsche Aufnahmen brauchen Sie eines ohne diesen Zusatz.
Wie gut Whisper Deutsch erkennt, haben wir nicht selbst gemessen. OpenAI schreibt allgemein, ohne die Sprachen zu nennen: „They show strong ASR results in ~10 languages.“ Ob Ihre Aufnahmen gut genug erkannt werden, zeigt am schnellsten ein Versuch mit einer kurzen Aufnahme.
Whisper lokal installieren, ohne Terminal: Buzz
Buzz ist ein quelloffenes, kostenloses Programm unter MIT-Lizenz, das Whisper mit einer Oberfläche verbindet. Es beschreibt sich so: „Transcribe and translate audio offline on your personal computer.“ Die aktuelle Fassung gibt es für macOS, Windows und Linux, die Installationsdateien für Mac und Windows liegen auf SourceForge und in den Veröffentlichungen auf GitHub; für Windows brauchen Sie dort alle drei Dateien (eine .exe, zwei .bin). Unter Windows ist das Programm nicht signiert; Windows warnt deshalb bei der Installation. Auf Macs mit Intel-Prozessor ist laut Buzz die Fassung 1.4.5 die letzte, künftige Fassungen brauchen einen Apple-Chip. Sehr alte Prozessoren ohne AVX2 unterstützt Buzz nicht.
- Datei laden. Im Menü „Datei“ wählen Sie „Datei importieren...“ (in englischer Oberfläche „File“ und „Import File...“; oder ⌘ + O auf dem Mac, Strg + O unter Windows) und dann Ihre Aufnahme.
- Sprache und Modell wählen. Stellen Sie die Sprache auf Deutsch, statt sie erkennen zu lassen. Buzz rät selbst dazu: „It is recommended to always select language to transcribe to as automatic language detection may result in unexpected results.“ Im Feld „Modell“ wählen Sie „Whisper.cpp“, darunter die Größe „Large-V3-Turbo“. Laut Buzz ist Whisper.cpp die beste Wahl auf dem Mac und die vorgesehene ohne Grafikkarte von Nvidia.
- Starten. Mit „Ausführen“ („Run“) beginnt die Umschrift. Beim ersten Mal lädt Buzz das Modell aus dem Internet; danach liegt es auf Ihrem Rechner. Buzz lädt dabei die Fassung in voller Genauigkeit, für Turbo also rund 2,4 GB Speicher statt 1,4 GB. Schalten Sie in den Einstellungen „GPU-Arbeitsspeicher reduzieren“ ein und starten Buzz neu, nimmt es die Stufe q8_0 mit rund 1,7 GB.
- Exportieren. Das Ergebnis speichern Sie als Text (TXT) oder als Untertitel mit Zeitmarken (SRT, VTT).
Bei Interviews hilft eine Funktion, die Whisper allein nicht hat: Buzz kann in einem fertigen Transkript die Sprecher unterscheiden („Sprecher identifizieren“, englisch „Identify Speakers“) und die Bezeichnungen durch Namen ersetzen. Dafür muss die Aufnahme noch auf dem Rechner liegen. Buzz schränkt selbst ein, dass die Zuordnung danebenliegen kann, wenn Menschen durcheinanderreden, unterschiedlich weit vom Mikrofon sitzen oder jemand nur wenig sagt. Auf Macs mit Intel-Prozessor gibt es diese Funktion nicht.
Was Buzz ins Netz schickt. Die Aufnahme bleibt auf Ihrem Rechner, solange Sie ein lokales Modell wählen. Drei Ausnahmen sollten Sie kennen:
- Wählen Sie als Modell „OpenAI Whisper API“ und hinterlegen einen Schlüssel, geht die Aufnahme zur Umschrift an OpenAI oder an den Dienst, dessen Adresse Sie eingetragen haben.
- Derselbe Schlüssel schickt bei eingeschalteter KI-Übersetzung den Text dorthin; das Plugin für Zusammenfassungen (Menü „Plugins...“) schickt das Transkript an einen Dienst Ihrer Wahl.
- Unabhängig davon meldet Buzz bei jedem Start Systemangaben samt Buzz-Version und Spracheinstellung sowie eine Kennung an den Analysedienst PostHog in den USA, ohne die Aufnahme. Die Kennung erzeugt Buzz beim ersten Start zufällig und schickt danach immer dieselbe mit. So steht es im Quelltext (
buzz/widgets/application.py); die Einstellungs-Anleitung spricht nur von Nutzungsstatistiken zu Betriebssystem und Architektur. Abschalten lässt sich das nur über die UmgebungsvariableBUZZ_DISABLE_TELEMETRY, die Anleitung zeigt, wie Sie sie dauerhaft setzen. Unter Windows und macOS fragt Buzz außerdem höchstens wöchentlich bei GitHub nach Updates (abschaltbar mitBUZZ_DISABLE_UPDATE_CHECK).
Mit Terminal: whisper.cpp
whisper.cpp (Projektseite auf GitHub) ist die Umsetzung, auf der auch Buzz aufbauen kann. Sie läuft auf Mac, Windows und Linux, nutzt auf dem Mac die Grafik im Apple-Chip und auf anderen Rechnern auf Wunsch Grafikkarten über CUDA oder Vulkan. Gegenüber dem Python-Original von OpenAI (pip install openai-whisper) braucht sie weniger Speicher und kein Python. Nach dem Bauen laut Anleitung laden Sie im Ordner von whisper.cpp das Modell, auf Mac und Linux mit:
sh ./models/download-ggml-model.sh large-v3-turbo-q5_0
Unter Windows laden Sie mit .\models\download-ggml-model.cmd large-v3-turbo-q5_0 und starten das Programm nach einem Bau mit Visual Studio als .\build\bin\Release\whisper-cli.exe; fertige Programme für Windows liegen auch in den Nachtbauten unter den Veröffentlichungen auf GitHub. whisper-cli liest laut eigener Hilfe die Formate FLAC, MP3, OGG und WAV. Eine M4A, etwa eine Sprachaufnahme vom Telefon, wandeln Sie vorher mit ffmpeg um:
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le interview.wav
Dann starten Sie die Umschrift. Wichtig ist der Schalter -l de, denn ohne ihn geht whisper.cpp von Englisch aus:
./build/bin/whisper-cli -m models/ggml-large-v3-turbo-q5_0.bin -l de -f interview.wav -otxt -osrt
-otxt schreibt den Text in eine Datei, -osrt zusätzlich Untertitel mit Zeitmarken. Die Grundbefehle stehen auch auf der Modellseite von welche.ai unter „So starten Sie es“. Wer Whisper im eigenen Netz für mehrere Rechner bereitstellen will, findet in whisper.cpp dafür whisper-server.
Für die Sprechertrennung bringt whisper.cpp das Verfahren tinydiarize mit, laut Anleitung als Versuch („experimental“), und dafür bietet whisper.cpp nur ein englisches Modell an. Liegt jede Stimme auf einem eigenen Stereokanal, trennt der Schalter -di sie; wandeln Sie die Aufnahme dafür ohne -ac 1 um, sonst geht die Trennung verloren. Für deutsche Interviews mit einem Mikrofon ist Buzz der einfachere Weg.
Was Whisper nicht kann
Es erfindet manchmal Text. OpenAI schreibt über die Modelle: „However, because the models are trained in a weakly supervised manner using large-scale noisy data, the predictions may include texts that are not actually spoken in the audio input (i.e. hallucination).“ OpenAI nennt außerdem Wiederholungen als bekannte Schwäche. Lesen Sie ein Transkript gegen die Aufnahme, bevor Sie daraus zitieren.
Es unterscheidet keine Sprecher. Whisper liefert einen durchgehenden Text. Wer sprach, ergänzt ein Programm wie Buzz oder Sie selbst.
Fehler sehen Sie dem Text nicht an. Ein Transkript sieht immer vollständig aus, auch wo ein Wort falsch verstanden wurde. Typische Fehlerstellen sind Namen und Fachwörter. Solche Wörter können Sie vorab angeben: in Buzz unter „Erweitert...“ als „Erste Anweisung“ (englisch „Advanced...“ und „Initial Prompt“), in whisper.cpp mit --prompt.
Datenschutz
Ein Interview enthält fast immer personenbezogene Daten, oft auch die von Menschen, die nur erwähnt werden. Läuft die Umschrift auf Ihrem Rechner, verlässt die Aufnahme ihn nicht; das Programm lädt die nötigen Modelle beim ersten Gebrauch herunter, und Buzz meldet zusätzlich seinen Start und fragt nach Updates (siehe oben). Was das für Ihre Pflichten nach der DSGVO bedeutet, ordnet der Ratgeber DSGVO-konforme KI ein.
Wenn es geschäftlich wird
Sollen Besprechungen im Unternehmen regelmäßig umgeschrieben werden, für mehrere Menschen und mit Ablage, geht es um mehr als ein Programm: wer Zugriff hat, wie lange Aufnahmen bleiben, was dokumentiert werden muss. Für diesen Schritt gibt es die KI-Implementierung von minoka.
Quellen
Alle gelesen am 6. Oktober 2026.
- OpenAI: Modellkarte Whisper large-v3-turbo, Modellkarte Whisper large-v3, Whisper auf GitHub (Größen, Tempo, Lizenz)
- whisper.cpp: README, Befehlszeile, Modelle
- Buzz: README, Dokumentation zu Dateiimport, Sprechererkennung und häufigen Fragen, Einstellungen; deutsche Oberfläche; Quelltext: Startmeldung an PostHog, geladene Modellfassung
- welche.ai: Modellseiten der vier Whisper-Fassungen, Speicher aus dem Katalog
Weitere Ratgeber
- KI lokal betreiben, ohne Terminal: So läuft ein Sprachmodell auf Ihrem RechnerLokale KI-Modelle brauchen auf Mac und Windows keine Befehlszeile mehr. Was Sie an Hardware brauchen, wie die Einrichtung Schritt für Schritt gelingt und wo die Grenzen liegen.
- Qwen lokal betreiben: welche Fassung auf welches GerätQwen gibt es in vielen Größen. Die kleinste aktuelle Fassung in unserem Katalog, Qwen3.5 4B, braucht 4,4 GB und läuft damit auf praktisch jedem Rechner, Qwen3.8 27B flüssig auf 214 von 676 Geräten. Welche Fassung zu Ihrem Rechner passt und wie Sie sie starten.
- KI-Agenten mit lokalem Modell: zwölf Werkzeuge im VergleichOpenClaw, Hermes Agent, DeepSeek Harness und neun weitere Agenten mit einem Modell auf dem eigenen Rechner: was jeder verlangt, was Ihr Gerät hergibt und welcher zu Ihnen passt.
- Mac mini für lokale KI: Welche Ausstattung reicht und wann es der Mac Studio sein mussBeim Mac zählt der Arbeitsspeicher, nicht die ganze Zahl. Was der Mac mini mit M4, M5 Pro und M6 trägt, wann es der Mac Studio sein muss und was gebraucht zählt.
- DeepSeek Harness installieren und lokal nutzenDeepSeek Harness ist der quelloffene Programmier-Agent von DeepSeek. Wie Sie ihn installieren, mit einem lokalen Modell verbinden und was an DeepSeek geht.
- Deutsche und europäische KI-Modelle: Welche es gibt und was davon lokal läuftTeuken aus Deutschland, EuroLLM aus einem EU-Projekt, Mistral aus Paris, Apertus aus der Schweiz. Lizenz, Größe und auf wie vielen der 676 Geräte sie flüssig laufen.
- DSGVO-konforme KI: Welche Daten verlassen bei welchem Aufbau Ihr Haus?Lokal heißt nicht telemetriefrei, und eine EU-Zusage hängt am Bereitstellungstyp. Was bei vier gängigen Aufbauten wirklich übertragen wird, mit Zitaten aus den Datenschutzerklärungen der Anbieter.
- gpt-oss: OpenAIs offenes Modell auf dem eigenen Rechnergpt-oss gibt es in zwei Größen. Die kleine läuft auf 390 von 676 geführten Geräten flüssig, die große auf 69. Was Sie brauchen und wo das Modell nicht passt.
- Grafikkarte für KI: Worauf es bei lokalen Modellen ankommtFür KI zählt an einer Grafikkarte zuerst der Speicher, dann das Tempo. Welche Speicherklasse wie viele Modelle trägt und warum 24 GB der wichtigste Schritt ist.
- Hermes Agent lokal: mit Ollama oder LM Studio nutzenHermes Agent lokal mit Ollama oder LM Studio: Er braucht mindestens 64.000 Token Kontext, ein Modell mit Werkzeugaufrufen und genug Speicher.
- KI selbst hosten: Was sich ändert, sobald mehrere zugreifenSelbst hosten heißt, dass einer betreibt und mehrere nutzen. Was dafür nötig ist, warum die Voreinstellungen dafür nicht gemacht sind und welche Fragen ab dem zweiten Nutzer keine Technikfragen mehr sind.
- Lokale KI: Was das heißt, was Sie brauchen, was sie kannLokale KI heißt, dass die Modelldatei auf Ihrem Gerät liegt und die Rechenarbeit dort stattfindet. Was Sie dafür brauchen, was heute gut funktioniert und wo die Grenzen liegen.
- Open Source KI: Welche Modelle wirklich offen sindDie meisten Modelle, die „Open Source KI“ heißen, geben nur die fertigen Modelldateien frei, nicht den Weg dorthin. Was der Begriff bedeutet, welche Familien es gibt und was davon auf eigener Hardware läuft.
- OpenClaw lokal: mit Ollama oder LM Studio einrichtenOpenClaw mit einem lokalen Modell über Ollama oder LM Studio: installieren, einrichten, passende Modelle wählen und wissen, was trotzdem ins Netz geht.
- Ornith 1.5: Welche der drei Größen auf Ihrem Rechner läuftOrnith 1.5 in drei Größen: Die kleinste läuft beim Ausprobieren auf 454 von 676 Geräten flüssig, die größte auf 9. Was jede braucht und wann ein Verbund hilft.
- Qwen-Image: KI-Bilder lokal erzeugen und die richtige Fassung wählenQwen-Image erzeugt Bilder auf dem eigenen Rechner. Die neue Fassung 2.1 ist nur für Forschung und Erprobung freigegeben, für Unternehmen ist 2512 die Fassung. Was beide an Speicher brauchen und wie lange ein Bild auf unserer Karte dauerte.
- Lokale KI-Modelle: Welches läuft auf Ihrer Hardware?Ob ein lokales KI-Modell auf Ihrem Rechner läuft, entscheidet der Speicher. Wie Sie die richtige Zahl finden und was die Stufen hinter dem Namen bedeuten.
- Ollama oder LM Studio: Was ist der Unterschied, und welches passt zu Ihnen?Beide laden offene Sprachmodelle auf Ihren Rechner und rechnen mit demselben Unterbau. Was sie wirklich unterscheidet, was sie kosten und welche Daten dabei Ihr Haus verlassen.
- Was ist Ollama, und welche Alternativen gibt es?Ollama, LM Studio, llama.cpp und vLLM tauchen in vielen Anleitungen für lokale KI auf. Was jedes davon ist, wie die vier zusammenhängen und welches Sie wofür brauchen.
- Was kostet ChatGPT wirklich, und ab wann lohnt sich eigene Hardware?Die Rechnung hat vier Posten, und drei davon stehen auf keiner Preisliste. Was ein Modell über die Schnittstelle kostet, was eigene Hardware dagegenstellt, und ab welchem Punkt sich der Wechsel rechnet.