Whisper-Modellgrößen erklärt: Tiny vs. Base vs. Small vs. Medium vs. Large

OpenAIs Whisper ist in 9 Modellvarianten über 5 Größenkategorien hinweg verfügbar: tiny (39 Mio. Parameter), base (74 Mio.), small (244 Mio.), medium (769 Mio.) und large (1,55 Mrd.). Jede Größe gibt es in einer mehrsprachigen Version und einer rein englischen Version (außer large und turbo, die ausschließlich mehrsprachig sind). Es gibt außerdem ein Turbo-Modell (809 Mio.) – eine destillierte Version von large-v3, die nahezu genauso präzise, aber dramatisch schneller ist. Größere Modelle sind genauer, aber langsamer und benötigen mehr Speicher.

Für das von den meisten lokalen Transkriptions-Apps verwendete quantisierte whisper.cpp-Format (GGML) reichen die Modelldateien von 75 MB (tiny) bis 2,9 GB (large). Der Speicherbedarf zur Laufzeit liegt zwischen etwa 273 MB für tiny und 3,9 GB für large. Das richtige Modell hängt von deiner Hardware, deiner Sprache und der benötigten Genauigkeit ab.

Zuletzt aktualisiert: 17. Februar 2026. Angaben zu Parametern, Speicher und Benchmarks werden gegen mindestens zwei Primärquellen abgeglichen.

• Offizielle Modellfamilien und Parameterzahlen: tiny/base/small/medium/large sowie turbo sind von OpenAI dokumentiert. OpenAI Whisper README · Whisper Model Card
• Kontext zu GGML/GGUF-Festplatten- und Laufzeitspeicher: die Speicheranforderungen für lokale Bereitstellungen stammen aus der whisper.cpp-Konvertierungs-/Laufzeit-Dokumentation. whisper.cpp · whisper.cpp Speicher-Hinweise
• Benchmark-Vorbehalt: die WER schwankt stark je nach Datensatz und Sprache; LibriSpeech-Werte sind kein universeller Qualitätsmaßstab. Whisper-Paper · large-v2 Model Card
• Einordnung des Turbo-Modells: turbo ist eine geschwindigkeitsorientierte Variante mit Genauigkeitskompromissen, die in den Release Notes/Model Cards dokumentiert sind. turbo Model Card · turbo Release-Diskussion
• Nutzungskontext von OpenWhispr: OpenWhispr stellt mehrere Whisper-Größen bereit, sodass Nutzer Geschwindigkeit und Genauigkeit direkt auf dem Gerät abstimmen können. OpenWhispr · whisper.cpp Backend

Das Tiny-Modell ist die kleinste und schnellste Whisper-Variante. Mit nur 39 Millionen Parametern und einer GGML-Dateigröße von 75 MB läuft es problemlos auf nahezu jeder Hardware – einschließlich Raspberry Pi, älterer Laptops und Mobilgeräte der Einstiegsklasse. Es transkribiert mit etwa 10-facher Echtzeitgeschwindigkeit im Vergleich zum Large-Modell und ist damit die beste Wahl, wenn Latenz wichtiger ist als perfekte Genauigkeit.

Bei der Variante tiny.en (nur Englisch) liegt die WER auf LibriSpeech test-clean bei etwa 5,6 % und steigt auf ~14,9 % bei test-other (verrauschtes/akzentuiertes Audio). Das mehrsprachige Tiny-Modell schneidet bei Englisch etwas schlechter ab, unterstützt aber alle 99 Whisper-Sprachen.

Tiny ist ideal für schnelle Notizen, Diktate mit geringem Anspruch, Prototypen für Live-Untertitelung sowie eingebettete oder Edge-Geräte mit begrenzter Rechenleistung. Es ist das standardmäßige Einstiegsmodell vieler whisper.cpp-basierter Tools, da es in Sekunden heruntergeladen ist und sofort läuft.

Das Base-Modell verdoppelt die Parameterzahl von tiny (74 Mio. gegenüber 39 Mio.) und bleibt dabei sehr ressourcenschonend. Mit 142 MiB (GGML) und ~388 MB RAM zur Laufzeit passt es immer noch problemlos auf praktisch jedes moderne Gerät. Die Verbesserung der Genauigkeit gegenüber tiny ist spürbar – besonders bei verrauschtem Audio und akzentuierter Sprache.

Die Variante base.en erreicht etwa 4,3 % WER auf LibriSpeech test-clean und ~12,8 % auf test-other. Das ist eine deutliche Verbesserung gegenüber tiny.en (5,6 % bzw. 14,9 %), insbesondere bei anspruchsvollem Audio.

Base ist eine gute Wahl für energiesparsame Geräte, bei denen tiny nicht ganz genau genug ist. Es ist auch beliebt für Echtzeit-Transkriptions-Pipelines, in denen du ein ausgewogenes Verhältnis von Geschwindigkeit und Qualität willst, ohne über 500 MB RAM hinauszugehen.

Bei Small beginnt Whisper, sich wirklich genau anzufühlen. Mit 244 Mio. Parametern stellt es einen 3,3-fachen Sprung gegenüber base dar und liefert eine deutliche Verbesserung der Genauigkeit – besonders bei nicht-englischen Sprachen und verrauschten Aufnahmen. Die GGML-Datei ist 466 MiB groß, und der RAM-Bedarf zur Laufzeit liegt bei etwa 852 MB. Es läuft mit rund 4-facher Geschwindigkeit von large.

Die Variante small.en erreicht etwa 3,0 % WER auf LibriSpeech test-clean – ein bemerkenswertes Ergebnis für ein Modell, das in unter 500 MB passt. Für viele rein englische Anwendungsfälle bietet small.en eine Genauigkeit, die nahe an medium herankommt, bei einem Bruchteil des Ressourcenbedarfs.

Small wird häufig als Standardmodell für die meisten Nutzer empfohlen. Es läuft gut auf jedem modernen Laptop (einschließlich MacBook Air M1 mit 8 GB RAM), liefert eine gute Genauigkeit über Sprachen hinweg und transkribiert schnell genug für Echtzeit-Diktat-Workflows.

Bei Medium setzt der abnehmende Grenznutzen ein – doch die Genauigkeitsgewinne gegenüber small sind nach wie vor spürbar, besonders bei mehrsprachiger Transkription, Fachvokabular und anspruchsvollen Audiobedingungen. Mit 769 Mio. Parametern benötigt es 1,5 GiB Festplattenspeicher (GGML) und etwa 2,1 GB RAM zur Laufzeit.

Das Modell medium.en erreicht etwa 3,0 % WER auf LibriSpeech test-clean und ungefähr 7,5 % auf test-other. Über breitere Benchmarks hinweg – insbesondere solche mit vielfältigen Akzenten, Hintergrundgeräuschen und domänenspezifischem Vokabular – übertrifft medium small jedoch durchweg.

Medium ist eine starke Wahl für professionelle Transkriptions-Workflows, bei denen Genauigkeit zählt, du aber nicht über die Hardware (oder Geduld) für large verfügst. Es läuft gut auf Maschinen mit 8 GB RAM oder mehr und profitiert erheblich von GPU-Beschleunigung.

Das Large-Modell ist die genaueste Whisper-Variante mit 1,55 Milliarden Parametern. Es gibt drei Versionen: large-v1 (die ursprüngliche Veröffentlichung), large-v2 (über 2,5x mehr Epochen mit zusätzlicher Regularisierung trainiert) und large-v3 (mit mehr Daten und 128 statt 80 Mel-Frequenzbändern trainiert). Large-v3 ist die aktuell empfohlene Version für maximale Genauigkeit.

large-v2 vs. large-v3

Welches Large-Modell verwenden: Verwende für neue Projekte large-v3. Es ist im Durchschnitt über Sprachen hinweg klar besser als large-v2. Einige Nutzer haben jedoch berichtet, dass large-v2 in bestimmten Grenzfällen mit sehr leisen oder stillen Audioabschnitten weniger Halluzinationen erzeugt (also Text generiert, der im Audio nicht vorhanden ist). Wenn bei large-v3 Halluzinationsprobleme auftreten, probiere large-v2 als Ausweichlösung.

Das Turbo-Modell ist eine destillierte Version von large-v3, die die Inferenzzeit dramatisch reduziert und dabei den Großteil der Genauigkeit beibehält. OpenAI erreichte dies durch das Beschneiden des Decoders von 32 auf nur 4 Schichten – wodurch die Parameterzahl von 1.550 Mio. auf 809 Mio. sank. Der Encoder (der die Hauptarbeit leistet) bleibt identisch mit large-v3.

Turbo ist die beste Wahl, wenn du eine Genauigkeit nahe large-v3 willst, dir aber die Latenz des vollständigen Large-Modells nicht leisten kannst. Auf der GPU mit Optimierungen wie torch.compile kann turbo eine bis zu 4,5-fache Geschwindigkeitssteigerung gegenüber der Standard-Inferenz erreichen und ist damit extrem schnell.

Für die Größen tiny, base, small und medium bietet Whisper zwei Varianten: ein mehrsprachiges Modell und ein rein englisches ( .en ) Modell. Die Modelle large und turbo sind ausschließlich mehrsprachig – es gibt keine rein englischen Versionen.

Der Leistungsunterschied zwischen .en- und mehrsprachigen Modellen ist bei kleineren Größen am deutlichsten. Bei tiny und base sind die .en-Varianten merklich besser bei Englisch. Bei small und medium verringert sich der Unterschied erheblich. Auf der large-Ebene gibt es nur ein mehrsprachiges Modell – und es schneidet bei Englisch unabhängig davon hervorragend ab.

Die benötigte Hardware hängt stark von der Modellgröße ab und davon, ob du whisper.cpp (CPU/Metal/CUDA) oder die PyTorch-Implementierung (GPU-fokussiert) verwendest. Hier ist, was du auf gängigen Hardware-Klassen erwarten kannst.

whisper.cpp Beschleunigungs-Backends

whisper.cpp – die C/C++-Portierung, die die meisten Desktop-Apps verwenden – unterstützt mehrere Hardware-Beschleunigungs-Backends, die die Leistung dramatisch verbessern können:

Ungefähre Transkriptionsgeschwindigkeit

Echtzeitfaktor (RTF) für einen 60-sekündigen Audioclip. RTF < 1,0 bedeutet schneller als Echtzeit. Dies sind grobe Schätzungen – die tatsächliche Leistung hängt von Audioinhalt, Modellquantisierung und Systemauslastung ab.

Hier sind konkrete Empfehlungen für gängige Szenarien. Im Zweifelsfall beginne mit small und arbeite dich je nach Erfahrung nach oben oder unten.

OpenWhispr ist eine quelloffene Desktop-Diktier-App, die unter der Haube whisper.cpp verwendet. Du kannst damit jedes beliebige Whisper-Modell direkt aus den Einstellungen herunterladen und wechseln – ganz ohne Kommandozeile. Modelle werden einmal heruntergeladen und lokal gespeichert. Du kannst die Modelle jederzeit wechseln, um Geschwindigkeit und Genauigkeit für deine Hardware abzustimmen.

• Radford et al. „Robust Speech Recognition via Large-Scale Weak Supervision“ (2022) – Das ursprüngliche Whisper-Paper mit vollständigen Benchmark-Ergebnissen.
• OpenAI Whisper GitHub-Repository – Offizielle Modelltabelle, Parameterzahlen, VRAM-Anforderungen und relative Geschwindigkeitswerte.
• OpenAI Whisper Model Card – Offizielle Zusammensetzung der Trainingsdaten und Bewertungsvorbehalte.
• whisper.cpp GitHub-Repository – GGML-Modellgrößen, RAM-Nutzung und Details zur Hardware-Beschleunigung.
• Whisper large-v2 Model Card (HuggingFace) – LibriSpeech-Benchmark-Kontext, der in vielen WER-Vergleichen verwendet wird.
• Whisper large-v3 Model Card (HuggingFace) – Trainingsdetails, Architekturänderungen gegenüber large-v2 und Verbesserungen bei der Mehrsprachigkeit.
• Whisper large-v3-turbo Model Card (HuggingFace) – Details zur Turbo-Architektur, Besonderheiten des Decoder-Beschneidens und Leistungskompromisse.
• OpenAI Whisper Turbo Ankündigung (GitHub-Diskussion #2363) – Offizielle Turbo-Release-Notes und sprachübergreifende Leistungsvergleiche.
• OpenWhispr – Praxisnaher Kontext zur lokalen Bereitstellung für die Wahl der Modellgrößen.