Parakeet vs. Whisper vs. Nemotron: Das beste lokale Speech-to-Text-System 2026

Für Englisch und die wichtigsten europäischen Sprachen ist NVIDIA Parakeet TDT 0.6B v3 das beste lokale Speech-to-Text-Modell des Jahres 2026: Es schlägt Whisper large-v3 bei der gemessenen Genauigkeit, ist nur ein Viertel so groß und läuft auf einer normalen CPU erheblich schneller. Sollen Wörter schon während des Sprechens live erscheinen, sind NVIDIAs neue Nemotron-Streaming-Modelle die ersten lokalen Modelle, die genau dafür entwickelt wurden. Und für eine der vielen Sprachen, die NVIDIA nicht abdeckt, bleibt OpenAIs Whisper – mit 99 Sprachen – die richtige Wahl.

Die Überraschung des Jahres 2026: Whisper trägt nach drei Jahren nicht mehr die Genauigkeitskrone unter den offenen Modellen. Die Frage nach dem besten Modell hat sich jedoch zu einem echten Dreikampf entwickelt, weil jedes Modell etwas anderes besonders gut kann: Parakeet optimiert Genauigkeit pro Watt, Nemotron die Latenz und Whisper die Sprachvielfalt. Dieser Artikel vergleicht sie anhand der Zahlen aus ihren eigenen Modellkarten und dem öffentlichen Leaderboard – ohne Bauchgefühl und ohne die Unterschiede größer darzustellen, als sie sind.

Zuletzt aktualisiert am 18. Juli 2026. Wir entwickeln OpenWhispr, eine Open-Source-Diktier-App mit allen drei Modellfamilien. Deshalb testen und unterstützen wir jedes Modell im Produktiveinsatz. Das ist zugleich unser Blickwinkel: Wir verkaufen keines dieser Modelle, und die folgenden Abwägungen sind dieselben, die wir unseren eigenen Nutzern erklären.

• Parakeet TDT 0.6B v3 erzielt über die acht Benchmarks des Open ASR Leaderboard eine durchschnittliche Wortfehlerrate von 6.34% bei einem Durchsatz von 3,332× Echtzeit. 600M Parameter, 25 Sprachen, Lizenz CC-BY-4.0. Modellkarte von Parakeet TDT v3 · Open ASR Leaderboard
• Whisper large-v3 erreicht im selben Leaderboard etwa 7.4% und unterstützt 99 Sprachen mit 1.55B Parametern unter der MIT-Lizenz. OpenAI-Whisper-Repository · Modellkarte von Whisper large-v3
• Nemotron Speech Streaming EN 0.6B erzielt beim Streaming durchschnittlich 6.93% WER (1.12-Sekunden-Blöcke), erreicht 2.32% bei LibriSpeech test-clean und wurde mit 530,000 Audiostunden trainiert. Modellkarte von Nemotron Streaming EN
• Nemotron 3.5 ASR deckt 40 Sprachregionen in einem einzigen 600M-Streaming-Modell ab mit automatischer Spracherkennung; veröffentlicht am 4. Juni 2026 unter der OpenMDW-Lizenz. Modellkarte von Nemotron 3.5 ASR
• Alle nachfolgend genannten Dateigrößen und Verhaltensweisen in der App lassen sich überprüfen im offenen Modellverzeichnis von OpenWhispr. OpenWhispr auf GitHub · OpenWhispr-Modellseite

Alle drei sind kostenlose Modelle mit offenen Gewichten, die sich herunterladen und offline ausführen lassen. Ihre Architekturen unterscheiden sich – und erklären fast jeden praktischen Unterschied.

Sprachmodelle werden anhand der Wortfehlerrate (WER) gemessen – also dem Prozentsatz falsch erkannter Wörter. Weniger ist besser. Als Standardreferenz dient das Open ASR Leaderboard von Hugging Face. Es mittelt die WER über acht unterschiedliche englische Datensätze (Meetings, Quartalsberichte, TED Talks, Hörbücher und mehr), damit ein einzelner einfacher Datensatz kein Modell künstlich begünstigt.

Die Grafik sollte nüchtern gelesen werden: Jedes Modell hier ist produktionsreif, und die gesamte Spannweite beträgt nur etwa 1.5 Punkte. Beim täglichen Diktieren wirken 6.3% und 7.4% auf sauberem Audio ähnlich; sichtbar werden die Unterschiede bei schwierigem Audio mit Akzenten, Rauschen oder Fachbegriffen. Bemerkenswert an den NVIDIA-Werten ist ihr Preis: Parakeet erreicht seine Genauigkeit mit 600M Parametern gegenüber Whispers 1.55B, und Nemotron erzielt 6.93% während des Streamings, ohne den späteren Audioverlauf zu kennen.

Auf der Hardware des Leaderboards transkribiert Parakeet TDT v3 mit 3,332× Echtzeit – eine Stunde Audio in etwa einer Sekunde. Whisper large-v3 erreicht deutlich weniger als ein Zehntel davon. Der Grund liegt in der Architektur: Whisper schreibt das Transkript Token für Token, wobei jeder Schritt auf den vorherigen wartet. Ein Transducer liest das Audio einmal und gibt den Text fortlaufend aus. Keine Schleife, keine Hin- und Rückwege pro Wort.

Auf einem Laptop sind die absoluten Zahlen kleiner, das Verhältnis bleibt jedoch bestehen: Ein diktierter Absatz, für den Whisper large mehrere Sekunden braucht, erscheint mit Parakeet nahezu sofort – auf der CPU und ohne GPU. Unabhängige Benchmarks berichten außerdem, dass NVIDIA-Transducer ungefähr 8–10× weniger Energie pro Audiostunde verbrauchen als Whisper bei vergleichbarer Qualität – relevant beim ganztägigen Diktieren im Akkubetrieb.

Whispers Antwort darauf ist turbo (1.6GB), eine destillierte large-v3-Variante, die etwas Genauigkeit gegen ungefähr 8× Whisper-large-Geschwindigkeit tauscht. Für Diktate ist sie die richtige Whisper-Version, verkleinert die Lücke aber nur. Den vollständigen Größenvergleich findest du in unserem Leitfaden zu Whisper-Modellgrößen.

Die Faustregel ist einfach. Für Englisch oder eine wichtige europäische Sprache eignen sich alle drei; entscheide nach Geschwindigkeit. Japanisch, Koreanisch, Vietnamesisch, Arabisch und Hindi deckt Nemotron 3.5 nun per Streaming ab – eine echte Premiere für lokale Modelle. Für Mandarin, Thai, Indonesisch, Swahili oder häufige Sprachwechsel bleibt Whisper die einzige ernsthafte Option. Das dürfte sich nicht so bald ändern.

Beim Streaming ist Nemotron nicht bloß schrittweise besser – es tut etwas, das die Architektur der beiden anderen nicht zulässt. Whisper verarbeitet Audio in 30-Sekunden-Fenstern und codiert alles Gesehene erneut. „Live“-Whisper ist daher in Wirklichkeit dasselbe Batch-Modell, das immer wieder über überlappendes Audio läuft – aufwendig, verzögert und an den Übergängen unruhig. Nemotrons Cache-fähige Architektur wurde für Streaming trainiert: Sie verarbeitet nur den neuesten Audioblock, übernimmt ihren internen Zustand und gibt Teiltexte mit einer konfigurierbaren Latenz von 80 Millisekunden bis 1.12 Sekunden aus.

Im großen Maßstab ist der Effizienzunterschied enorm – NVIDIA meldet 17× mehr gleichzeitige Streams als beim Streaming-Modell der vorherigen Generation auf derselben GPU. Auf dem Laptop ist der spürbare Vorteil einfacher: Der Text erscheint beim Sprechen, während das Modell auf der eigenen CPU läuft. Welche Entwicklungsarbeit dafür in einer Desktop-App nötig war, erklären wir in unserem technischen Überblick zu Streaming-ASR.

Wenn Live-Text unwichtig ist – diktieren, stoppen, fertiges Transkript erhalten –, bringt Streaming keinen Vorteil, und Parakeets Batch-Modelle sind die bessere Wahl. Streaming ist für Live-Untertitel, Sprachagenten und eine Diktiervorschau gedacht, die während des Sprechens erscheint.

Keines dieser Modelle benötigt eine GPU. Die NVIDIA-Modelle werden als INT8-quantisierte ONNX-Dateien (631–680MB) ausgeliefert, die über sherpa-onnx – eine native Binärdatei ohne Python und PyTorch – auf jeder aktuellen CPU, ob Apple Silicon oder x86, problemlos laufen. Whisper läuft mit whisper.cpp überall; small und turbo eignen sich gut für CPUs, während large-v3 (3GB, ~10GB RAM) tatsächlich von Beschleunigung profitiert.

Ist eine GPU vorhanden, sollte sie für Whisper genutzt werden: Metal ist auf Apple Silicon integriert, und OpenWhispr bietet CUDA- (NVIDIA) und Vulkan-Laufzeiten (AMD und Intel) per Klick mit automatischem CPU-Rückfall, falls die GPU-Laufzeit scheitert. Die NVIDIA-Transducer sind auf der CPU bereits so schnell, dass GPU-Beschleunigung für Diktate kaum relevant ist.

Wenn Datenschutz der Grund für die lokale Ausführung ist, sind alle drei gleichwertig: Das Audio wird auf dem eigenen Rechner verarbeitet und nie hochgeladen. Mehr über diese Abwägung steht in unserem Vergleich lokaler und cloudbasierter Transkription.