Otter-Alternative lokal: eine Transkriptions-Web-App für Ihr Team auf der eigenen GPU

Eine lokale Alternative zu Otter für das Team

Ein Team, das Aufnahmen zu Otter, Happy Scribe oder einem ähnlichen Cloud-Dienst hochlädt, kann denselben Ablauf auf eigener Hardware haben: Eine Web-App auf einer Workstation im Büro nimmt die Audiodatei entgegen, schreibt das Transkript mit Sprecher­kenn­zeichnung, entwirft mit einem lokalen Sprachmodell eine Zusammenfassung und exportiert den Text. Scriberr und Whishper sind dafür Stand Oktober 2026 zwei offene Web-Apps, und eine NVIDIA RTX PRO 4500 Blackwell mit 32 GB Speicher betreibt jede von beiden für ein Team. Verzichten müssen Sie vor allem auf den Meeting-Bot, der Gesprächen von selbst beitritt, und auf die mobilen Apps.

Dieser Vergleich richtet sich an Büroleitungen, Teamleitungen und IT-Administratoren, die Interviews, Kundengespräche und interne Besprechungen nicht an einen externen Dienst geben wollen. Zuerst einige Begriffe. Ein Transkript ist der geschriebene Text einer Aufnahme. Die Sprecher­kenn­zeichnung, in der Technik Diarisierung genannt, markiert jede Passage als Sprecher 1, Sprecher 2 und so weiter. Ein Sprach­erkennungs­modell ist die KI, die Audio in Text umwandelt; Whisper, Parakeet und Canary sind die verbreiteten offenen Modelle. Die GPU, also die Grafikkarte, ist der Teil des Rechners, der diese Modelle schnell ausführt. Die Rechnung für größere Server steht in unserem Leitfaden zu den GPU-Anforderungen von Whisper; hier geht es um die App, mit der Ihr Team täglich arbeitet.

Was der Cloud-Dienst leistet und was eine lokale App ersetzt

Otter beschreibt sein Produkt auf seiner Startseite, gelesen am 30. Oktober 2026, als „Otter AI Meeting Agent“, der „supports real-time transcription, live chat, automated summaries, insights, and action items“. Über Google Calendar lässt sich der Agent so einplanen, dass er Besprechungen in Zoom, Teams und Google Meet automatisch beitritt, und die Desktop-App nimmt den Ton des Rechners „without bots joining the call“ auf. Die Seite verlinkt Apps für iOS und Android und nennt Integrationen mit Slack, Salesforce, HubSpot, Notion und weiteren Diensten. Sie erklärt, Otter „is built with the security, governance, and compliance controls enterprises expect“.

Happy Scribe, der andere häufig verglichene Dienst, beschreibt auf seiner Startseite, am selben Tag gelesen, KI-Transkription von Audio und Video „in 150+ languages“, menschliche Transkription, Untertitel, einen Notetaker über den Kalender oder die Aufnahme „with no bot joining the meeting“ sowie den Export als DOCX, PDF, SRT und VTT. Aufnahmen werden laut der Seite „stored in the EU“. Eine lokale App geht für ein Team, das gar keinen externen Auftragsverarbeiter will, einen Schritt weiter: Die Aufnahmen verlassen die eigene Maschine des Unternehmens nicht.

Startseite von Otter; READMEs von Scriberr und Whishper auf GitHub; alle gelesen am 30. Oktober 2026.

Mit einer lokalen App bleiben Audiodatei, Transkript, Sprecher­kenn­zeichnung und Zusammenfassung auf der Workstation, sofern auch das Zusammenfassungsmodell dort läuft. Scriberr spricht mit „Ollama or OpenAI API compatible providers“, und die Version v1.2.0 hat Unterstützung für die Transkription über OpenAI ergänzt. Wer die App einrichtet, entscheidet also, ob Audio und Transkripte auf der Maschine bleiben oder an einen gehosteten Dienst gehen. In einem lokalen Aufbau transkribieren die eigenen Modelle der Workstation, und Zusammen­fassungen gehen an Ollama oder vLLM auf derselben Maschine. Eine Besprechung in Zoom oder Teams läuft weiterhin über diesen Dienst; die lokale App hält nur Transkription und Zusammenfassung im Haus. Der übliche Weg in die App ist eine Aufnahme auf dem Rechner eines Teilnehmers oder eine Diktiergerät-Datei, die nach der Besprechung hochgeladen wird.

Scriberr, Whishper, WhisperX und Speaches im Vergleich

Vier offene Projekte tauchen auf, wenn Teams nach einer selbst gehosteten Transkriptionssoftware suchen. Zwei sind fertige Web-Apps für Anwender, zwei sind Bausteine für ein IT-Team, das eine eigene Verarbeitungskette bauen will.

GitHub-Seiten von Scriberr, Whishper und Speaches, PyPI-Seite von WhisperX; gelesen am 30. Oktober 2026. Sterne auf GitHub: Scriberr 3,1k, Whishper 3,1k, Speaches 3,7k.

Scriberr nennt sich „an open-source, and completely offline audio transcription application“. Die App betreibt NVIDIAs Modelle Parakeet und Canary sowie die Whisper-Modelle mit Zeitstempeln je Wort, erkennt Sprecher automatisch und lässt Nutzer über ein angebundenes Sprachmodell Fragen zum Transkript stellen oder es zusammenfassen. Die Transkriptansicht folgt beim Abspielen dem Audio und springt an die Stelle, die ein Nutzer im Text anklickt; Passagen lassen sich markieren und mit Notizen versehen. Eine Ordnerüberwachung übernimmt neue Dateien, und die APIs binden andere Systeme an. Die neueste Version auf GitHub, v1.2.0, bringt Webhook-Benachrichtigungen und ein Kommandozeilenwerkzeug. Exportformate und Benutzerrollen nennt das README nicht; die Konfiguration enthält lediglich einen geheimen Schlüssel für Anmelde-Token. Planen Sie daher einen gemeinsamen Arbeitsbereich je Team hinter Ihrem Firmennetz.

Whishper beschreibt sich als Weg, „transcribe any audio to text, translate and edit subtitles 100% locally with a web UI“. Die App nutzt faster-whisper, nimmt hochgeladene Audio- und Videodateien an, übersetzt über einen mitgelieferten LibreTranslate-Dienst und hat einen Untertitel-Editor mit Teilen von Segmenten, Warnungen bei zu vielen Zeichen pro Sekunde und einer Hervorhebung, die der Wiedergabe folgt. Exportiert wird als TXT, JSON, VTT und SRT. Eine Benutzeranmeldung steht noch offen auf der Roadmap; die App gehört daher in ein vertrauenswürdiges internes Netz oder hinter einen Reverse Proxy, der die Anmeldung übernimmt.

WhisperX ist ein Python-Werkzeug für IT-Teams. Seine PyPI-Seite verspricht „batched inference for 70x realtime transcription using whisper large-v2“, nennt für das faster-whisper-Backend „requires <8GB gpu memory for large-v2 with beam_size=5“ und ergänzt Zeitstempel je Wort über eine wav2vec2-Ausrichtung, mit Standardmodellen für Englisch, Französisch, Deutsch, Spanisch und Italienisch; für Französisch, Deutsch, Spanisch und Italienisch sind das die VoxPopuli-Modelle von torchaudio unter CC BY-NC 4.0, einer nichtkommerziellen Lizenz, im Unternehmen setzen Sie daher ein Ausrichtungsmodell ein, dessen Lizenz kommerzielle Nutzung erlaubt. Die Sprecher­kenn­zeichnung kommt von pyannote und braucht ein Zugriffstoken von Hugging Face sowie die Zustimmung zu den Bedingungen des Modells community-1.

Speaches ist ein „OpenAI API-compatible server supporting streaming transcription, translation, and speech generation“ auf Basis von faster-whisper. Er passt zu einem Unternehmen, das einen zentralen Sprachdienst will, den andere Werkzeuge aufrufen, etwa die Diktier-Apps aus unserem Leitfaden zum KI-Diktat als Dragon-Alternative. Das neueste Release auf GitHub, v0.9.0-rc.3, ist ein Release Candidate; legen Sie die eingesetzte Version daher fest. Wer allein an einem Rechner Interviews transkribiert, ist mit der Desktop-App aus unserem Leitfaden zur Interview-Transkription mit noScribe besser bedient.

Wartungsstand und Lizenzen im Unternehmen

Beide Web-Apps stammen aus kleinen Open-Source-Projekten, und beide sagen das offen. Das README von Scriberr hat einen undatierten Abschnitt zum Stand: Die Entwicklung „is paused for now, but definitely not abandoned“, und eine Zusammenfassung an seinem Anfang kündigt an: „I'll be starting development again this week“. Die neueste Version auf GitHub ist weiterhin v1.2.0; prüfen Sie daher vor der Installation den Verlauf der Commits. Das README von Whishper sagt, dass das Projekt auf einem Zweig für Version 4 neu geschrieben wird und der aktuelle Hauptzweig „will not receive any new releases or updates“. Keiner der beiden Hinweise bedeutet, dass die Software aufhört zu funktionieren. Ein Unternehmen sollte aber die installierte Version festschreiben, Container-Image und Modelldateien auf eigenem Speicher aufbewahren, die Person benennen, die Release Notes liest und Sicherheitskorrekturen einspielt, und die App als austauschbar behandeln. Transkripte in offenen Formaten überdauern jeden Wechsel der App.

Die Lizenzen erlauben den Einsatz im Unternehmen, mit Einzelheiten, die Sie kennen sollten. Scriberr steht unter MIT. Whishper steht unter der GNU Affero General Public License Version 3; Abschnitt 13 der LICENSE-Datei verlangt, dass eine geänderte Fassung den Nutzern, die über ein Netzwerk damit arbeiten, ihren Quellcode anbietet. Der unveränderte Betrieb im Unternehmen ist der übliche Fall; wenn Sie den Code ändern, liest Ihre Rechtsberatung zuerst diesen Abschnitt. OpenAI veröffentlicht Code und Gewichte von Whisper unter der MIT-Lizenz. Das README von Scriberr nennt eine verwaltete WhisperX-Umgebung für seine Modelle; der Lizenzhinweis zu den Ausrichtungsmodellen von WhisperX oben gilt daher auch hier: Bei einer Einrichtung im Unternehmen prüfen wir, welches Ausrichtungsmodell die App für Deutsch lädt, und setzen eines ein, dessen Lizenz kommerzielle Nutzung erlaubt. Parakeet TDT 0.6B v3 und Canary-1B v2 stehen unter CC BY 4.0, und ihre Modellkarten erklären sie für kommerzielle und nichtkommerzielle Nutzung bereit. Die Pipeline speaker-diarization-community-1 von pyannote steht unter CC BY 4.0 und ist zugangsbeschränkt: Sie stimmen den Bedingungen auf Hugging Face zu und nutzen ein Zugriffstoken, danach läuft eine lokale Kopie ohne Internetverbindung. Dieselbe Karte bietet ein Modell precision-2 an, das auf den Servern von pyannoteAI läuft; ein lokaler Aufbau lässt es weg.

RTX PRO Blackwell und das richtige Container-Image

Scriberr liefert seine Docker-Images in drei Varianten: eine für CPUs, eine mit CUDA für GPUs von Pascal bis Ada und scriberr-cuda-blackwell für Blackwell. Für Karten der RTX-50-Serie ist das README eindeutig: „You must use the Blackwell-specific image“, weil das normale CUDA-Image aus Gründen der PyTorch-CUDA-Kompatibilität mit ihnen nicht funktioniert. Die RTX PRO nennt es nicht, aber seine Tabelle ordnet das Image sm_120 zu, der Compute Capability der RTX-PRO-Blackwell-Karten; dasselbe Image gilt also, und der erste Test nach der Installation bestätigt es.

Die übrigen Schritte ähneln sich bei jeder App. Für den GPU-Zugriff muss das NVIDIA Container Toolkit installiert sein, der erste Start lädt die PyAnnote-Modelle herunter, was einige Minuten dauern kann, das zugangsbeschränkte pyannote-Modell braucht ein Token von Hugging Face, und eine Maschine, die später ohne Internetzugang laufen soll, braucht alle Modelle lokal. Für einen Administrator ist nichts davon schwierig, doch genau an diesen Stellen bleibt eine erste Installation oft hängen. Sie können die Workstation allein bestellen, die Einrichtung von Scriberr oder Whishper mit den Sprach­erkennungs­modellen und einem lokalen Zusammenfassungsmodell 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 Workstation für welches Team

Die Transkription selbst ist für eine GPU eine leichte Last. Auf einer A100 im Paper zum Open ASR Leaderboard (arXiv 2510.06961v3, Dezember 2025), mit Batchgröße 64, wo der Speicher es zuließ, transkribierte Whisper large-v3 145,5 Sekunden Audio pro Sekunde Rechenzeit und Parakeet TDT 0.6B v3 etwa 3.333. Nach unserer Rechnung für diese Karte braucht eine einstündige Aufnahme mit Whisper etwa 25 Sekunden und mit Parakeet etwa eine Sekunde. Eine veröffentlichte Zahl dieser Art für die RTX PRO haben wir nicht gefunden, und die pyannote-Karte nennt keine Geschwindigkeit für die Sprecher­kenn­zeichnung, die jeden Auftrag verlängert. Die Wahl der Karte hängt deshalb von zwei anderen Fragen ab: ob das Zusammenfassungsmodell neben dem Sprach­erkennungs­modell läuft und wie viele Uploads gleichzeitig verarbeitet werden.

Nutzbarer Speicher nach unserer Regel für Nutzer je Karte (90 Prozent des vom Treiber gemeldeten Speichers, abzüglich 3 GiB): 18,5, 25,7, 40,0 oder 61,5 GiB auf den Workstation-Karten; Whisper large etwa 10 GB (Whisper-Repository von OpenAI), gpt-oss-20b 13,76 GB Gewichte (Dateiseite auf Hugging Face); unsere Schätzung.

Die Rechnung hinter der zweiten Zeile: Whisper large mit etwa 10 GB sind 9,3 GiB, und gpt-oss-20b, ein offenes Modell unter Apache 2.0, hat 13,76 GB Gewichte, also 12,8 GiB. Zusammen sind das 22,1 GiB, mehr als die 18,5 GiB, die unsere Regel auf einer 24-GB-Karte lässt, und innerhalb der 25,7 GiB auf der RTX PRO 4500 mit 32 GB; nach unserer Schätzung bleiben etwa 3,6 GiB für den Arbeitsspeicher des Zusammenfassungsmodells. Das Modell für die Sprecher­kenn­zeichnung kommt hinzu; seine Karte nennt keinen Speicherbedarf, und unser Leitfaden zur Sprecherdiarisierung on-premise nennt NVIDIAs Werte zur GPU-Zeit für den Nemotron-Diarisierer, während pyannote keine veröffentlicht. Auf der RTX PRO 4000 kann die App weiterhin transkribieren und Sprecher kennzeichnen, und Zusammen­fassungen laufen, wenn das Sprach­erkennungs­modell entladen ist, oder auf einer anderen Maschine. Die RTX PRO 5000 mit 48 GB lässt nach beiden Modellen etwa 18 GiB frei, genug für parallele Aufträge mehrerer Abteilungen. Die RTX PRO 4500 hat eine Nennleistung von 200 W; eine Workstation mit einer Karte bleibt damit weit unter den 2,94 kW, die ein 230-V-Stromkreis mit 16 A bei 80 Prozent Last trägt.

Wird die Transkription zu einem Dienst unter mehreren auf dem KI-Server der Firma, passt der Einstiegsserver von unserer Seite zu KI-Servern: zwei NVIDIA RTX PRO 6000 Blackwell Server Edition mit je 96 GB, nach unserer Schätzung etwa 1,8 kW an der Steckdose. Unser Leitfaden zu Besprechungs­protokollen mit lokaler KI zeigt diese Aufteilung, mit Sprach­erkennungs­modellen in MIG-Instanzen der einen Karte und gpt-oss-120b auf der anderen. Für die Frage, ob eine gemeinsame Maschine oder mehrere Arbeitsplätze besser passen, hilft unser Vergleich GPU-Server oder Workstations für ein Team.

Was das Team vor dem Wechsel prüfen sollte

Ein kurzer Versuch mit eigenen Aufnahmen beantwortet die meisten Fragen, bevor etwas gekauft wird. Nehmen Sie 20 bis 30 Minuten typisches Audio, etwa ein Kundengespräch, eine interne Besprechung und ein Sprachmemo, und lassen Sie es durch beide Apps laufen.

• Sprachen. Prüfen Sie die Genauigkeit in Ihren Arbeitssprachen; unser Vergleich zur deutschen Spracherkennung und zu Dialekten nennt die veröffentlichten Zahlen für Deutsch.
• Wie das Audio ankommt. Keine der beiden Apps nimmt von selbst an Videocalls teil. Legen Sie fest, wer aufnimmt und wohin Dateien hochgeladen werden, oder nutzen Sie die Ordnerüberwachung von Scriberr für ein gemeinsames Verzeichnis; unser Leitfaden zum KI-Diktiergerät ohne Cloud beschreibt diesen Weg für Aufnahmen von Diktiergerät und Smartphone.
• Exporte. Whishper exportiert TXT, JSON, VTT und SRT; das README von Scriberr nennt keine Formate. Sollen Transkripte als Word-Dokumente enden, planen Sie einen Schritt zur Umwandlung ein.
• Zugriff. Stellen Sie die App hinter Ihre Firmenanmeldung oder Ihr VPN. Whishper hat noch keine Benutzeranmeldung.
• Information und Aufbewahrung. Informieren Sie die Teilnehmenden, bevor eine Besprechung oder ein Gespräch aufgezeichnet wird, nehmen Sie nur auf, wenn niemand widerspricht, und legen Sie fest, wann Audio und Transkripte gelöscht werden; unser Leitfaden zu Besprechungs­protokollen behandelt beides nach der DSGVO.
• Keine Verbindungen nach außen. Prüfen Sie, dass Zusammen­fassungen an das lokale Modell gehen und keine Komponente Audio an einen gehosteten Dienst schickt, wie unser Artikel zur Telemetrie in selbst gehosteten KI-Werkzeugen beschreibt. Unser Artikel Lokale KI und DSGVO erklärt, welche Pflichten bei Ihnen bleiben.

Nennen Sie uns Ihre Sprachen, Ihre Stunden Audio pro Woche und die Zahl der Nutzer, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

FAQ