Whisper.cpp
im Test.

Open Wispr, Vibe und Superwhisper sehen von außen verschieden aus, greifen für die Erkennung aber auf dasselbe Programm zurück. Whisper.cpp ist dieses Programm. Für einen internen Ablauf, etwa einen Schritt in einer Automatisierung oder einen Transkriptionsdienst im Firmennetz, bindest du es direkt ein. Das Projekt steht unter MIT-Lizenz, hat über 52.000 Sterne auf GitHub und wird von ggml-org gepflegt, der Organisation hinter llama.cpp.

Wichtigste Funktionen

• Breite Hardware-Unterstützung: Whisper.cpp rechnet auf Macs mit Apple Silicon, Windows-PCs, Linux-Servern und dem Raspberry Pi. Vorhandene Grafikkarten zieht es automatisch heran, sodass die Erkennung schneller läuft, als die Aufnahme dauert. Für Windows und Linux liegen fertige Programmdateien bereit, kompilieren muss nur, wer eine andere Plattform oder eine besondere Beschleunigung braucht.
• Whisper und Parakeet: Seit Version 1.9.0 vom 17.06.2026 versteht das Projekt ein zweites Modell. Parakeet TDT 0.6B v3 von Nvidia hat 600 Mio. Parameter, deckt 25 europäische Sprachen samt Deutsch ab und steht unter der Lizenz CC-BY-4.0. Dafür liegt ein eigenes Programm namens parakeet-cli bei.
• Modellgrößen von 75 MB bis 2,9 GB: Das kleinste Whisper-Modell belegt 75 MB auf der Festplatte und braucht rund 273 MB Arbeitsspeicher, das größte 2,9 GB und rund 3,9 GB. Noch kleiner wird es mit einer platzsparend gerechneten Fassung, die das kleinste Modell auf 31 MB drückt. So stimmst du das Verhältnis von Tempo und Genauigkeit auf die vorhandene Hardware ab.
• Stille überspringen: Über den Schalter –vad schaltet sich ein Silero-Modell vor die Erkennung und trennt gesprochene Abschnitte von Pausen. Bei einem Besprechungsmitschnitt von 2 Stunden, in dem viel geschwiegen wird, verarbeitet Whisper.cpp anschließend nur die Stellen mit Sprache.
• Ausgabe als Text, Untertitel oder JSON, auch über HTTP: Transkripte gehen als reiner Text heraus, außerdem im Untertitelformat SRT und VTT sowie als JSON mit Zeitmarken für die Weiterverarbeitung. Dazu liegt ein kleines Serverprogramm bei, das eine Audiodatei per HTTP entgegennimmt und das Transkript zurückgibt. So nutzen andere Programme auf demselben Rechner oder im eigenen Netz dieselbe Erkennung mit.
• Live-Mitschrift und Anbindungen: Ein mitgeliefertes Programm nimmt über das Mikrofon auf und transkribiert fortlaufend, Abschnitt für Abschnitt. Das Projekt bezeichnet diesen Modus selbst als einfaches Beispiel, für eine belastbare Live-Untertitelung ist also Nacharbeit nötig. Für Go, Java, JavaScript und Ruby liegen fertige Anbindungen im Projekt, daneben ein Python-Beispiel.

Preise und Tarife

Whisper.cpp kostet nichts, weder das Programm noch die Modelle. Der Quelltext steht unter MIT-Lizenz, kommerzieller Einsatz ist damit erlaubt, ohne dass du beim Projekt nachfragst oder eine Gebühr zahlst. Die Whisper-Modelle hat OpenAI ebenfalls unter MIT veröffentlicht, Parakeet steht unter CC-BY-4.0 und verlangt eine Namensnennung, die bei einem internen Transkriptionsdienst leicht zu erfüllen ist.

Ausgaben entstehen allein an der Hardware. Für das kleinste Modell reichen rund 273 MB Arbeitsspeicher, das größte Whisper-Modell braucht rund 3,9 GB, und wer täglich mehrere Stunden Audio durchschleust, ist mit einer Grafikkarte deutlich schneller fertig. Fertige Programmdateien für Windows und Linux setzen keine Entwicklungsumgebung voraus. Hardwarepreise bei Händlern und Rechenzentren sind netto ausgewiesen, die Umsatzsteuer schlägt darauf noch auf.

Für wen ist Whisper.cpp geeignet?

• Kanzleien, Praxen und Behörden mit vertraulichen Aufnahmen: Du verschriftlichst ein Mandantengespräch oder ein ärztliches Diktat, ohne vorher einen Auftragsverarbeiter zu prüfen und vertraglich zu binden. Das verkürzt die Abstimmung mit der Datenschutzbeauftragten auf die Frage, wer auf dem Rechner die Dateien sehen darf.
• Softwarehäuser und IT-Abteilungen, die Spracherkennung in eigene Anwendungen einbauen: Whisper.cpp ist die Grundlage für ein internes Transkriptionswerkzeug oder für einen Schritt in einer Automatisierung, etwa wenn jede eingehende Sprachnachricht verschriftlicht im Ticketsystem landet. Die MIT-Lizenz erlaubt den kommerziellen Einsatz ohne Einschränkung, und die Anbindungen für Go, Java, JavaScript und Ruby sparen die Arbeit an der Schnittstelle.
• Teams, die bisher faster-whisper genutzt haben: Der letzte Commit dort stammt vom 19.11.2025, das Projekt wird nicht mehr weiterentwickelt. Whisper.cpp deckt dieselbe Aufgabe ab, ist mit Version 1.9.2 vom 04.08.2026 aktuell und kommt ohne Python-Umgebung aus. Der Umstieg kostet trotzdem Arbeit, weil die Aufrufe anders aussehen und die Modelldateien in einem anderen Format vorliegen.

Whisper.cpp erledigt in einem Transkriptionsdienst nur die Erkennung. Fürs ganze Team gehören daneben die Ablage der Aufnahmen dazu und die Klärung, wer einer Aufzeichnung vorher zustimmen muss. Für diesen Aufbau gibt es senqo Voice.

DSGVO und Datenschutz

Die Verarbeitung findet auf dem Rechner statt, auf dem du das Programm startest. Einen Serverstandort gibt es deshalb nicht, und ein Auftragsverarbeitungsvertrag wird gegenstandslos, weil niemand die Aufnahmen im Auftrag verarbeitet. Im Quelltext vom 04.08.2026 findet sich keine Telemetriefunktion, ebenso wenig eine Nutzungsstatistik oder eine Abfrage nach neuen Versionen.

Die einzige Adresse, die das Programm von sich aus anspricht, ist huggingface.co, und zwar nur in dem Skript, mit dem du die Modelldatei einmalig herunterlädst. Soll auch dieser Abruf entfallen, änderst du in models/download-ggml-model.sh die hinterlegte Adresse auf einen internen Spiegel oder legst die Datei von Hand ab. Das Erkennungsprogramm selbst lädt zu keinem Zeitpunkt etwas nach.

Der mitgelieferte Server nimmt Anfragen ab Werk nur unter 127.0.0.1 entgegen, der Adresse des eigenen Rechners, und ist damit von außen nicht erreichbar. Eine Anmeldung oder einen Schlüssel verlangt er nicht. Wer ihn über den Schalter –host für das Netz öffnet, stellt die Transkription jedem im selben Netz bereit und muss den Zugriff selbst absichern, etwa über einen vorgeschalteten Webserver mit Kennwortabfrage.

Zum Training gibt Whisper.cpp nichts weiter, weil das Modell fertig trainiert ist und beim Transkribieren nicht dazulernt. Träger ist die 2023 gegründete ggml.ai, die seit dem 20.02.2026 zu Hugging Face gehört. Einen gehosteten Transkriptionsdienst verkauft keine der beiden Seiten. Für Mandantengespräche, ärztliche Diktate und Personalgespräche erfüllt der Aufbau die Datenschutzanforderungen ohne Zusatzvereinbarung, solange du den Server nicht ungeschützt ins Netz stellst.

Alternativen zu Whisper.cpp

• Vibe: Legt über dieselbe Erkennung eine Oberfläche, in die du die Audiodatei einfach hineinziehst. Das ist bequemer für den gelegentlichen Einsatz, allerdings sammelt Vibe ab Werk eine Nutzungsstatistik.
• Anarlog: Schreibt Besprechungen auf dem eigenen Mac mit und fasst sie anschließend zusammen. Anarlog ist enger zugeschnitten als Whisper.cpp und auf macOS begrenzt, dafür entfällt die Einrichtung.
• Open Wispr: Nutzt Whisper.cpp für die Erkennung und zielt aufs Diktieren direkt in die gerade offene Anwendung. Kostenlos, aber nur für macOS.