Spracherkennung Deutsch lokal: die genauesten Modelle, Dialekte und Fachbegriffe

Welche Spracherkennung für Deutsch am genauesten ist

Nach veröffentlichten deutschen Testzahlen hat Voxtral Small 24B von Mistral im Oktober 2026 die niedrigste Wortfehlerrate der offenen Modelle: 3,29 Prozent im Handy-Benchmark, vor Whisper large-v3 von OpenAI mit 4,13 Prozent. Die übrigen führenden offenen Modelle, darunter Parakeet und Canary von NVIDIA, liegen auf denselben vorgelesenen Sätzen zwischen etwa 4,2 und 5,3 Prozent. Bei Ihren eigenen Aufnahmen verändern Dialekt, Namen, Fachbegriffe und Raumakustik das Ergebnis stärker als die Wahl zwischen diesen Modellen, und das genaueste braucht weit mehr GPU-Speicher als Whisper.

Dieser Vergleich richtet sich an alle, deren deutsche Transkripte noch nicht gut genug sind: die Geschäftsführung, deren Besprechungs­protokolle voller Fehler sind, die Qualitäts­leitung mit ihren Fachbegriffen, das IT-Team, das ein Modell für einen Transkriptionsdienst auswählt. Die Wortfehlerrate, kurz WER, zählt die Wörter, die ein Modell falsch schreibt, hinzufügt oder auslässt, je 100 Wörter eines korrekten Referenztranskripts. Eine WER von 4 Prozent heißt, dass etwa jedes 25. Wort korrigiert werden muss. Modellgrößen und Geschwindigkeit für Server stehen in unserem Leitfaden zu den GPU-Anforderungen von Whisper; hier geht es um die Genauigkeit auf Deutsch und darum, was Sie gegen die Fehler tun können.

Deutsche Ergebnisse in den veröffentlichten Ranglisten

Den Handy-Benchmark veröffentlichen die Entwickler der Diktier-App Handy für ihre Engine transcribe.cpp. Er lässt jedes Modell auf dem Testteil von FLEURS laufen, einer öffentlichen Sammlung vorgelesener Sätze, mit auf Q8_0 quantisierten Gewichten, also mit 8 Bit je Gewicht gespeichert. Die deutsche Tabelle umfasst 27 Modelle; diese sind für eine Entscheidung im Unternehmen wichtig.

Deutsche Rangliste von Handy (models.handy.computer/languages/de), FLEURS-Testteil, Q8_0, gelesen am 30. Oktober 2026; Lizenzen wie dort angegeben. Das Whisper-Repository von OpenAI nennt für Code und Gewichte von Whisper die MIT-Lizenz.

Das Paper zum Open ASR Leaderboard (arXiv 2510.06961v3, 10. Dezember 2025) von Hugging Face, der Universität Cambridge und Mistral AI misst anders. Sein deutscher Wert mittelt die Testsets CoVoST-2 und FLEURS, und vor dem Zählen der Fehler entfernt es Satzzeichen und Groß- und Kleinschreibung und wendet eine englische Normalisierung an, die sich eng an Whisper anlehnt („closely following Whisper“).

Paper zum Open ASR Leaderboard, arXiv 2510.06961v3, Tabelle 4 (mehrsprachig), Daten des Leaderboards vom 8. Oktober 2025, gelesen am 30. Oktober 2026. Voxtral Small 24B ist in dieser Tabelle nicht enthalten.

NVIDIAs eigene Modellkarte für Parakeet TDT 0.6B v3 nennt 5,04 Prozent auf deutschem FLEURS und 4,84 auf CoVoST. Dasselbe Modell erscheint also mit 4,90, 5,04 und 5,24 Prozent, je nachdem, wer gemessen hat, und Whisper large-v3 mit 4,13 oder 4,97. Für das Streaming-Modell Nemotron 3.5 ASR nennt NVIDIAs Karte je nach Chunk-Größe 8,22 bis 9,90 Prozent auf deutschem FLEURS, gegenüber 10,33 in der Handy-Tabelle. Quantisierung, Normalisierung, Streaming-Einstellungen und die Wahl der Testsets verschieben die Zahlen jeweils. Lesen Sie die Ranglisten in Stufen: Voxtral Small vorn, dann Whisper large-v3, Qwen3-ASR, Canary und Parakeet innerhalb von etwa einem Prozentpunkt, dahinter die kleinen und die Streaming-Modelle.

Was die führenden Modelle brauchen und wo sie an Grenzen stoßen

Modellkarten auf Hugging Face zu Voxtral Small 24B 2507, Whisper large-v3, Qwen3-ASR-1.7B, Canary-1B v2 und Parakeet TDT 0.6B v3, Release-Blog von Cohere vom 26. März 2026, Whisper-Repository von OpenAI für die 10 GB, Dateigrößen bei Q8_0 aus der Handy-Tabelle; alle gelesen am 30. Oktober 2026.

Voxtral Small 24B unterstützt Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch unter Apache 2.0. Die Modellkarte sagt, das Modell „requires ~55 GB of GPU RAM in bf16 or fp16“ und „handles audios up to 30 minutes for transcription“; längere Aufnahmen werden also in Stücke geteilt. Es läuft in vLLM ab Version 0.10.0 und erkennt die Sprache selbst. Whisper large-v3 hat 1.550 Millionen Parameter, und seine Karte warnt, die Modelle „exhibit disparate performance on different accents and dialects of particular languages“ und Vorhersagen „may include texts that are not actually spoken in the audio input“. Qwen3-ASR-1.7B deckt 30 Sprachen ab, darunter Deutsch; seine Dialektliste nennt nur chinesische Dialekte. Cohere Transcribe, ein Modell mit 2 Milliarden Parametern, „is trained to expect a language tag and monolingual audio“, was für Besprechungen zählt, die zwischen Deutsch und Englisch wechseln. Parakeet erkennt die Sprache automatisch und ist das mit Abstand schnellste dieser Modelle: 3.333 Sekunden Audio pro Sekunde auf einer A100 im Paper zum Leaderboard, gegenüber 145,5 bei Whisper large-v3.

Mistrals Ankündigung der Familie Voxtral 3, deren Benchmark-Angaben vom 20. Oktober 2026 datieren, bringt Context Biasing, bei dem „key terms and free-form text can be given to bias the transcription and improve recall on technical terms“, und die Sprecherzuordnung in Voxtral Small Transcribe 3. Stand 30. Oktober 2026 bietet die Ankündigung „self-deployment on your own infrastructure“ an, nennt aber weder offene Gewichte noch eine Lizenz, und die Hugging-Face-Seite von Mistral führt kein Modell Voxtral 3. Wir planen daher keine lokale Installation damit, bis beides veröffentlicht ist.

Sagen Sie uns, was Sie aufnehmen und in welchen Dialekten, und unser Team schlägt Ihnen die passenden Modelle und die Grafikkarte dafür vor.

Schweizerdeutsch, Bairisch und österreichischen Dialekt transkribieren

Beim Dialekt verliert die deutsche Spracherkennung am meisten Genauigkeit, und die Forschung zeichnet ein einheitliches Bild: Die großen Modelle verstehen viel vom Dialekt und schreiben ihn auf Hochdeutsch nieder.

Schweizerdeutsch. Eine Studie der Universität Zürich (arXiv 2404.19310, Mai 2024) testete Whisper large-v3 ohne zusätzliches Training. Gegen hochdeutsche Referenztexte erreichte es 23 Prozent WER auf den Testsets STT4SG-350 und SwissDial, 29,5 Prozent auf dem Swiss Parliaments Corpus und 37,2 Prozent auf nachgestellten klinischen Interviews; ein auf Schweizerdeutsch feinabgestimmtes wav2vec2-Modell kam auf STT4SG-350 auf 14,0 Prozent. Die Autoren weisen darauf hin, dass Whisper meist eine hochdeutsche Übersetzung ausgibt, die die Metrik teilweise bestraft, weil Schweizerdeutsch keine Standardschreibung hat. Menschliche Bewerter gaben für die Bedeutung 4,36 und für die Flüssigkeit 4,39 von 5 Punkten. Vier von sechzehn Interview-Transkripten enthielten erfundene Sätze, und die qualitative Analyse fand Fehler bei Namen und Zahlen. Ihr Schluss: Whisper ist für Schweizerdeutsch brauchbar, „so long as the Standard German output is desired“.

Bairisch, Fränkisch und Schwäbisch. Eine Studie der LMU München und des Bayerischen Rundfunks (arXiv 2506.02894, 2025) baute ein Testset aus etwa vier Stunden Dialektsprache, vorgelesenen Kindergeschichten des Senders. Whisper large-v3 war das beste Modell und erreichte auf dem Dialekt-Audio 31 Prozent WER gegen hochdeutsche Referenzen, gegenüber 9 Prozent auf den hochdeutschen Aufnahmen des Testsets. Die Autoren fanden keine durchgängigen Unterschiede zwischen den Regionen und häufige Fehler bei dialekttypischen Wörtern. Fine-Tuning mit hochdeutschen Daten brachte gemischte Ergebnisse.

Österreich. Die bairischen Aufnahmen dieser Studie stammen aus Regionen in Bayern. Für österreichisches Deutsch hat eine Studie des Know-Center und der Technischen Universität Graz (KONVENS 2024) zwanglose Gespräche ohne vorgegebenes Thema zwischen Personen ausgewertet, die sich gut kennen, aus dem Graz Corpus of Read and Spontaneous Speech: Whisper large-v2 ohne zusätzliches Training kam auf 41,8 Prozent WER, ein auf demselben Korpus feinabgestimmtes wav2vec2-Modell mit Lexikon und Sprachmodell auf 22,8 Prozent. Spontane Gespräche sind ein deutlich schwierigerer Fall als vorgelesene Sätze; für österreichische Sprecherinnen und Sprecher bleibt der unten beschriebene Test mit eigenen Aufnahmen daher das verlässliche Maß.

Fine-Tuning mit Dialekt-Audio. Die ZHAW-Studie zu Schweizer Radio- und Fernsehsprache (arXiv 2506.08836, Juni 2025) trainierte Whisper mit etwa 230 Stunden passendem Rundfunk-Audio. Whisper large-v3 verbesserte sich von 21,1 auf 17,1 Prozent WER, large-v3-turbo von 26,5 auf 18,7. Wurde Whisper medium nur mit vorgelesenen Sätzen trainiert, schnitt es auf Rundfunksprache schlechter ab; die verbleibenden Fehler waren vor allem seltene Namen von Orten, Marken und Personen. Ein Preprint vom Mai 2026 zum All Swiss German Dialects Test Set (arXiv 2606.07608) berichtet einen kleineren Gewinn, von 28,56 auf 25,60 Prozent mit vollem Fine-Tuning, und argumentiert, dass ein großer Teil der verbleibenden Fehler gültige Unterschiede in der Formulierung sind. Ein Fine-Tuning lohnt sich, wenn Sie viele Stunden eigenes Audio mit korrigierten Transkripten haben.

Fachbegriffe, Namen und Zahlen im Unternehmen

Produktnamen, Personen, Teilenummern und Abkürzungen sind die Fehler, die Nutzer zuerst bemerken, und jede der Studien oben fand sie unter den verbleibenden Fehlern. Vier Werkzeuge helfen, geordnet nach Aufwand.

• Prompt und Hotwords. faster-whisper, die Laufzeitumgebung unter vielen Whisper-Apps, die unser Vergleich von faster-whisper, WhisperX und whisper.cpp behandelt, nimmt einen initial_prompt an, „optional text ... to provide as a prompt for the first window“, und hotwords, „Hotwords/hint phrases to provide the model with“. Dorthin gehört eine Liste Ihrer Produktnamen, Kundennamen und Abkürzungen.
• Eine feste Sprache. Der Parameter language nimmt einen Code wie „de“; ohne ihn wird die Sprache am Anfang des Audios erkannt. Bei Besprechungen, die Deutsch und Englisch mischen, vermeidet die Vorgabe Deutsch eine falsche Erkennung, und Cohere Transcribe braucht die Angabe ohnehin.
• Eine Glossarprüfung nach der Transkription. Ein lokales Sprachmodell vergleicht das Transkript mit Ihrem Glossar und markiert oder ersetzt falsch gehörte Begriffe; eine Person gibt die Änderungen frei. Das Sprach­erkennungs­modell selbst bleibt unverändert. Halten Sie die Aufgabe so eng: In der Grazer Studie erhöhte ein Sprachmodell, das ganze Transkripte korrigieren sollte, die WER bei den meisten untersuchten Äußerungen.
• Fine-Tuning mit eigenen Aufnahmen und korrigierten Transkripten, wie in der ZHAW-Studie, für Dialektregionen oder einen Wortschatz, den die ersten drei Schritte nicht beheben.

Die Karte von Voxtral Small sagt, System-Prompts „are not yet supported“; der Weg über einen Prompt steht für dieses Modell also nicht offen. Das Context Biasing von Voxtral 3 würde diesen Fall abdecken, sobald Gewichte und Lizenz veröffentlicht sind.

Mit eigenen Aufnahmen testen, bevor Sie ein Modell wählen

Ein Test mit eigenem Audio dauert einige Stunden und sagt mehr als jede Rangliste. Wählen Sie 20 bis 30 Minuten, die Ihre Sprecher, Dialekte, Räume und Mikrofone abdecken. Schreiben Sie das Referenztranskript von Hand, in der Form, die Sie wollen: Hochdeutsch für Protokolle oder nah am gesprochenen Wort für Interviews. Bringen Sie Modellausgabe und Referenz in dieselbe Form, mit gleicher Groß- und Kleinschreibung, gleichen Satzzeichen und gleicher Schreibweise von Zahlen, zählen Sie dann Ersetzungen, Auslassungen und Einfügungen und teilen Sie durch die Zahl der Wörter in der Referenz. Zählen Sie Namen, Begriffe und Zahlen gesondert, denn sie entscheiden, ob ein Transkript brauchbar ist. Lassen Sie zwei oder drei Modelle laufen, etwa Whisper large-v3, Parakeet und Voxtral Small, und hören Sie jede Stelle an, an der ein Modell Text geschrieben hat, den niemand gesagt hat.

Für diesen Test können Sie die Workstation allein bestellen, die Einrichtung von Whisper, Parakeet und Voxtral Small allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Welche GPU jedes deutsche Modell braucht

Die Stufen unten beginnen mit der kleinsten Konfiguration, die die Aufgabe erledigt. Der nutzbare Speicher folgt unserer Regel für Nutzer je Karte: 90 Prozent des vom Treiber gemeldeten Speichers, abzüglich 3 GiB.

Speicher nach NVIDIAs Produktseiten, wie auf unserer GPU-Seite angegeben; nutzbar 18,5, 61,5 und 83,0 GiB nach unserer Regel; Speicherbedarf der Modelle aus den oben genannten Karten; unsere Schätzung.

Einstieg. Die RTX PRO 4000 Blackwell lässt nach unserer Regel 18,5 GiB, genug für Whisper large-v3 mit etwa 10 GB oder jedes der kleineren Modelle und für Voxtral Mini 4B Realtime, das laut Modellkarte „can run on a single GPU with >= 16GB memory“. Live-Transkription mit diesem Modell behandelt unser Leitfaden zu Live-Untertiteln vor Ort.

Genauigkeit. Der Handy-Wert stammt aus einer 8-Bit-Datei mit 24,04 GB in transcribe.cpp; die 55 GB, also 51,2 GiB, gelten für den Betrieb in BF16 mit vLLM, den die Modellkarte beschreibt. Die RTX PRO 5000 Blackwell mit 72 GB lässt nach unserer Regel 61,5 GiB, etwa 10 GiB mehr, als das Modell braucht; die Variante mit 48 GB ist mit 40,0 GiB für das Modell in BF16 zu klein. Einen veröffentlichten Durchsatz für Voxtral Small auf RTX PRO haben wir nicht gefunden; wie viele Stunden Audio es am Tag schafft, hängt daher von der Länge der Aufnahmen und davon ab, wie vLLM die Anfragen bündelt. Ein Testlauf liefert die Zahl für Ihr Audio.

Vergleich und Fine-Tuning. Eine RTX PRO 6000 Blackwell Workstation Edition oder Max-Q mit 96 GB lässt 83,0 GiB, Platz für Voxtral Small und Whisper large-v3 nebeneinander. Die ZHAW hat Whisper auf zwei A100 mit je 40 GB feinabgestimmt; eine RTX PRO 6000 hat mehr Speicher als beide zusammen, und die Trainingszeit hängt von den Stunden Audio und der Zahl der Durchläufe ab, wofür wir keine veröffentlichte Zahl auf RTX PRO gefunden haben. Zwei RTX PRO 6000 Workstation Edition mit je 600 W sind das realistische Maximum dieser Edition in einer Workstation; drei oder vier Max-Q brauchen ein dafür gebautes Gehäuse mit starker, gerichteter Luftführung. Unser Leitfaden zum GPU-Speicher für Fine-Tuning erklärt das Verfahren.

Server. Ist ein Modell gewählt oder feinabgestimmt, stellt ein Server mit RTX PRO 6000 Server Edition, oder mit H200 NVL für größere Trainingsläufe, es der ganzen Firma neben dem Chat-Assistenten bereit; unser Vergleich zur lokalen Otter-Alternative behandelt die Web-App, mit der die Beschäftigten arbeiten würden.

Die deutschen Modelle im Betrieb

• Voxtral Small braucht vLLM ab 0.10.0 und mistral_common ab 1.8.1; teilen Sie Aufnahmen in Stücke von höchstens 30 Minuten.
• Qwen3-ASR läuft über ein eigenes vLLM-Backend mit OpenAI-kompatiblen Endpunkten; Zeitstempel kommen von Qwen3-ForcedAligner-0.6B, der bis zu 5 Minuten Sprache in 11 Sprachen verarbeitet.
• Cohere Transcribe profitiert laut Release-Blog von einer Sprachaktivitätserkennung oder einem Noise Gate davor, um Halluzinationen bei leisem Rauschen zu verringern.
• Vergleiche. Die Handy-Zahlen sind Läufe mit Q8_0 in transcribe.cpp; ein Betrieb in BF16 mit vLLM kann anders abschneiden. Berechnen Sie die WER für alle Modelle mit derselben Normalisierung.
• Daten. Aufnahmen von Kolleginnen und Kollegen für Tests oder Fine-Tuning sind personenbezogene Daten; auf welcher Grundlage Sie sie nutzen dürfen, bestätigt Ihr Datenschutz­beauftragter. Halten Sie Testaufnahmen und Referenztranskripte auf der Maschine und prüfen Sie, dass kein Werkzeug Audio nach außen schickt, wie in unserem Leitfaden zur Sprechererkennung vor Ort, der auch die Sprecher­kenn­zeichnung behandelt.

Nennen Sie uns die Sprachen, Dialekte und Stunden Audio, die Sie erwarten, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

FAQ