BroadRouter
Loslegen

Alternative zur Whisper API: wann wechseln und wie testen

Vom Team von BroadNet Inference · 6 Min. Lesezeit · Veröffentlicht · Aktualisiert

OpenAI führt whisper-1 als veraltet, die Abschaltung ist für den 26. Februar 2027 angesetzt; jeder Nutzer der Whisper API wechselt also auf ein anderes Modell. Wählen Sie den Ersatz nach der Wortfehlerrate auf 30 bis 50 eigenen Clips pro Sprache, dann nach Preis. BroadNet Transcribe nimmt denselben Aufruf des OpenAI SDK an und kostet $0.002 pro Minute in 14 Sprachen.

Die OpenAI Whisper API ist für viele Teams der Ausgangspunkt: ein Endpoint, ein Preis, Dutzende Sprachen. Nach einer Whisper-API-Alternative suchen Sie, wenn eines von vier Dingen eintritt: Die Genauigkeit auf Ihrem Audio reicht nicht, die Rechnung wächst mit dem Volumen, Ihr Sicherheitsteam möchte, dass weniger Daten gespeichert werden, oder das Modell, das Sie aufrufen, wird eingestellt. Dieser Beitrag zeigt, wie Sie entscheiden und wie Sie eine Alternative testen, ohne Ihren Code umzuschreiben.

Wird die OpenAI Whisper API eingestellt?

Ja, nach dem aktuellen Zeitplan von OpenAI. Die Seite zu Abkündigungen, geprüft am 2026-11-15, führt whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize als veraltet, angekündigt am 26. August 2026, mit Abschaltung am 26. Februar 2027. Der empfohlene Ersatz ist gpt-transcribe (0,0045 USD pro Minute bzw. 0,27 USD pro Stunde) für Dateien oder gpt-live-transcribe für Live-Audio. Die Preisseite markiert dieselben vier Modelle als veraltet, und der Leitfaden zu Speech-to-Text sagt „Start with gpt-transcribe“ (Übersetzung: „Beginnen Sie mit gpt-transcribe“). Auch der Endpoint /v1/audio/translations ist veraltet. Sie testen Ihr Audio also in jedem Fall auf einem neuen Modell neu. Damit ist jetzt ein guter Zeitpunkt, den Ersatz von OpenAI auf denselben Clips mit anderen Anbietern zu vergleichen.

Für das Gesamtbild listet unser offener Preisindex für Speech-to-Text-APIs Batch- und Streaming-Preise, Abrechnungsintervalle und Arabisch-Unterstützung für mehr als 20 Produkte, jeweils mit der Preisseite des Anbieters abgeglichen (CSV und JSON).

Warum suchen Teams nach einer Alternative zur Whisper API?

Grund Was Sie bei einer Alternative prüfen
Genauigkeit in einer bestimmten Sprache oder einem Dialekt Veröffentlichte Wortfehlerrate auf einem relevanten Testset, dann Ihr eigener Test
Preis bei hohem Volumen Preis pro Audiostunde und Mindestabrechnung
Datenspeicherung Ob Audio und Transkripte gespeichert werden und wie lange
Limits Dateigröße, Formate, Rate Limits
Features Zeitstempel, Sprechererkennung (Diarization), Prompts, Streaming

Der Leitfaden zu Speech-to-Text von OpenAI sagt „Whisper supports 98 languages, but accuracy varies by language“ (Übersetzung: „Whisper unterstützt 98 Sprachen, aber die Genauigkeit variiert je nach Sprache“). Das ist der ehrliche Ausgangspunkt: Die Sprachliste sagt Ihnen, was möglich ist, nicht, was gut ist.

Welche Alternativen zur Whisper API gibt es, und was kosten sie?

Option Preis (Liste, Nov. 2026) Sprachen Hinweise
OpenAI Whisper API (whisper-1) 0,006 USD/Min. 98 (Genauigkeit variiert) Dateien bis 25 MB; Prompts bis 224 Tokens; Abschaltung am 2027-02-26
OpenAI gpt-transcribe 0,0045 USD/Min. (0,27 USD/Stunde) Siehe Leitfaden von OpenAI Von OpenAI empfohlener Ersatz; der Leitfaden von OpenAI zeigt Zeitstempel auf Wortebene nur für whisper-1 und Sprecherlabels nur für das veraltete Diarize-Modell
Groq, Whisper Large v3 0,111 USD/Stunde Mehrsprachig Groq gibt 10,3 % WER an; Mindestabrechnung 10 Sekunden
Groq, Whisper Large v3 Turbo 0,04 USD/Stunde Mehrsprachig Groq gibt 12 % WER an; nicht für Übersetzung trainiert
Soniox (asynchron) etwa 0,10 USD/Stunde, abgerechnet pro Token Mehr als 60, Arabisch gelistet Eigene jobbasierte API, nicht OpenAI-kompatibel; Echtzeit etwa 0,12 USD/Stunde
Selbst gehostetes Whisper Ihre GPU-Kosten Wie Whisper MIT-Lizenz; Betrieb und Skalierung liegen bei Ihnen
BroadNet Transcribe $0.002/Min. 14 Nicht Whisper; basiert auf Cohere Transcribe
BroadNet Transcribe Arabic $0.0042/Min. Arabisch BroadNet meldet #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39) im Open Universal Arabic ASR Leaderboard

Preise und die Angaben von Groq wurden am 2026-11-14 auf den offiziellen Seiten geprüft; die von OpenAI am 2026-11-15 erneut. gpt-transcribe von OpenAI kostet pro Stunde mehr als beide Modelle von BroadNet. Der Turbo-Endpoint von Groq und Soniox kosten beide pro Stunde weniger als BroadNet Transcribe ($0.12 pro Stunde); Soniox braucht neuen Client-Code, weil es nicht das Anfrageformat von OpenAI nutzt. Die WER-Werte von Groq sind dessen eigene veröffentlichte Zahlen, kein Test auf einem gemeinsamen Set mit den anderen; vergleichen Sie sie also nicht direkt mit denen von BroadNet. Diese Seite behandelt den Wechsel; die vollständige Preisliste, einschließlich DeepSeek, AssemblyAI, Deepgram, Google, AWS und Speechmatics mit ihren Aufpreisen für Zusatzfunktionen, finden Sie im Preisvergleich für Speech-to-Text, und der Kostenrechner für Speech-to-Text berechnet Ihre eigenen monatlichen Stunden.

Was bedeuten die Genauigkeitswerte wirklich?

BroadNet veröffentlicht in seinem Modellkatalog drei WER-Werte für BroadNet Transcribe Arabic:

Testset Art des Audios WER
FLEURS-ar Saubere, vorgelesene Sätze 3,8
MASC-ar Gemischtes Arabisch aus der Praxis 21,1
Dialekt-Set von BroadNet Dialektsprache 23,4

Auf denselben Sets MASC und Dialekt meldet BroadNet für Whisper large-v3 31,5 und 31,8, gegenüber 21,1 und 23,4 für sein Arabisch-Modell: etwa ein Drittel weniger Fehler auf MASC und etwa ein Viertel weniger auf dem Dialekt-Set. Das ist BroadNets eigener Test eines Wettbewerbers; prüfen Sie ihn also auf Ihrem Audio. Im öffentlichen Open Universal Arabic ASR Leaderboard, das für jeden Eintrag dieselben Testsets nutzt, lag Whisper large-v3 am 15. November 2026 auf Platz 19 von 39 (durchschnittliche WER 36,86), und Cohere Transcribe Arabic 07-2026, das Modell, das BroadNet bereitstellt, auf Platz 4 (24,19).

Die Spannweite ist die eigentliche Lehre. Dasselbe Modell ist bei vorgelesener Sprache nahezu perfekt und bei Gesprächen deutlich schwächer. Die Schlagzeilen-WER eines Anbieters sagt Ihnen, wie er auf dem Audio anderer Leute abgeschnitten hat. Dialekte behandelt ausführlich der Beitrag Spracherkennung für arabische Dialekte.

So testen Sie eine Whisper-Alternative an einem Nachmittag

  1. Sammeln Sie 30 bis 50 Clips pro Sprache aus echtem Traffic: Anrufe, Sprachnachrichten, Meetings. Entfernen Sie alles, was Sie nicht weitergeben dürfen.
  2. Schreiben Sie für 10 Clips pro Sprache Referenztranskripte von Hand.
  3. Lassen Sie beide APIs auf denselben Clips laufen. Bei OpenAI-kompatiblen Anbietern ändern sich nur Client und Modell:
import os
from openai import OpenAI

whisper = OpenAI()  # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def run(client, model, path, lang):
    with open(path, "rb") as f:
        return client.audio.transcriptions.create(model=model, file=f, language=lang).text

hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar")   # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
  1. Bewerten Sie beide mit derselben Normalisierung, mit jiwer:
import re, jiwer

def norm(t):
    t = re.sub(r"[ً-ْ]", "", t)              # strip Arabic diacritics
    t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي")      # unify alef and yaa
    return re.sub(r"[^\w\s]", "", t).lower().strip()

print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
  1. Lesen Sie 20 Transkripte selbst. Prüfen Sie Zahlen, Namen und Produktbegriffe. Ein Modell kann bei der WER gewinnen und trotzdem die Kontonummer falsch schreiben.

Wann sollten Sie Whisper stattdessen selbst hosten?

Code und Gewichte von Whisper stehen unter MIT-Lizenz; der Eigenbetrieb ist also immer eine Option. Er lohnt sich, wenn:

  • Audio Ihr Netzwerk nicht verlassen darf, aus rechtlichen oder vertraglichen Gründen.
  • Ihr Volumen eine GPU den größten Teil des Tages auslastet, sodass Sie nicht für Leerlaufstunden zahlen.
  • Sie Fine-Tuning brauchen, für Ihr eigenes Vokabular oder Ihren Akzent.

Er kostet mehr, als es aussieht, wenn der Traffic schwankt, wenn Sie hohe Verfügbarkeit über mehrere Maschinen brauchen oder wenn niemand im Team GPU-Treiber und Upgrades verantworten möchte (die Break-even-Rechnung für GPUs). Das README von openai/whisper weist außerdem darauf hin, dass das Turbo-Modell nicht für Übersetzung trainiert ist. Eine gehostete API macht aus diesen Problemen einen Preis pro Minute. Deshalb beginnen die meisten Teams dort und hosten erst selbst, wenn Volumen und Anforderungen klar sind.

Checkliste für die Migration

Die Basis-URL zu ändern ist der einfache Teil. Bevor Sie Traffic umleiten:

  • Formate. OpenAI akzeptiert flac, mp3, mp4, m4a, ogg, wav und webm. BroadNet akzeptiert WAV und MP3; konvertieren Sie .ogg und .m4a also vorher mit ffmpeg. Für Aufnahmen im Browser siehe Audio im Browser aufnehmen und an eine Speech-to-Text-API senden.
  • Dateigröße. OpenAI begrenzt Uploads auf 25 MB, BroadNet auf 26.214.400 Bytes (25 MiB).
  • Sprachfeld. Senden Sie es immer. Bei BroadNet kann Arabisch ohne language=ar in lateinischen Buchstaben zurückkommen.
  • Optionale Parameter. Wenn Sie sich auf prompt, verbose_json oder Zeitstempel auf Wortebene verlassen, prüfen Sie, ob die Alternative sie unterstützt. Die Dokumentation von BroadNet beschreibt eine JSON-Antwort mit text.
  • Rate Limits. Pay-as-you-go-Schlüssel von BroadNet erlauben 30 Anfragen pro Minute und 4 gleichzeitig.

Die allgemeine Fassung dieser Liste ist die Checkliste für die Migration zu OpenAI-kompatiblen APIs.

Wo BroadNet Transcribe hineinpasst

Wählen Sie BroadNet, wenn es auf Genauigkeit bei Arabisch ankommt, wenn Audio und Transkripte nicht gespeichert werden sollen (Zero Data Retention) oder wenn $0.002 pro Minute in 14 Sprachen Ihre aktuelle Rechnung unterbietet. Das Startguthaben von $5 deckt etwa 1,190 Minuten arabisches Audio ab, genug für den Test oben; holen Sie sich einen Schlüssel bei BroadNet Inference. Der Leitfaden zu Speech-to-Text für Arabisch enthält Beispiele für curl und Python.

Bleiben Sie bei den Ersatzmodellen von OpenAI oder einem anderen Anbieter, wenn Sie eine der vielen Sprachen brauchen, die BroadNet nicht listet, Sprachübersetzung, Live-Transkription oder Prompts und Keyword-Hinweise (der Leitfaden von OpenAI dokumentiert sie für gpt-transcribe). Um arabische Aufnahmen aus Dateien ins Englische zu übersetzen, funktioniert auch eine zweistufige Pipeline: siehe Arabisches Audio ins Englische übersetzen. Für den allerniedrigsten Preis bei Englisch kosten gehostete Whisper-Turbo-Endpoints pro Stunde weniger.

Häufige Fragen

Was ist die beste Alternative zur OpenAI Whisper API?

Die mit der niedrigsten Wortfehlerrate auf Ihrem eigenen Audio zu einem Preis, den Sie akzeptieren. Für Arabisch testen Sie Modelle, die für arabische Dialekte gebaut sind. Für Englisch zum niedrigsten Preis sind gehostete Endpoints mit Whisper Large v3 Turbo schwer zu schlagen.

Gibt es eine günstigere Whisper API?

Ja. OpenAI listet whisper-1 mit 0,006 USD pro Minute (veraltet) und den Nachfolger gpt-transcribe mit 0,0045 USD. Groq listet Whisper Large v3 mit 0,111 USD pro Stunde und Large v3 Turbo mit 0,04 USD pro Stunde, und BroadNet Transcribe kostet $0.002 pro Minute.

Kann ich das OpenAI SDK mit einer Whisper-Alternative weiter nutzen?

Bei einem OpenAI-kompatiblen Anbieter ja. Ändern Sie base_url, den API-Schlüssel und die Modell-ID. Prüfen Sie, welche optionalen Parameter wie prompt, response_format und Zeitstempel der Anbieter unterstützt.

Taugt Whisper für Arabisch?

Whisper kommt mit Hocharabisch (MSA) weit besser zurecht als mit gesprochenen Dialekten. OpenAI weist darauf hin, dass die Genauigkeit je nach Sprache schwankt. Messen Sie die Wortfehlerrate pro Dialekt auf Ihren eigenen Aufnahmen, bevor Sie entscheiden.

Sollte ich Whisper stattdessen selbst hosten?

Self-Hosting lohnt sich, wenn Audio Ihr Netzwerk nicht verlassen darf oder Ihr Volumen GPUs ausgelastet hält. Code und Gewichte von Whisper stehen unter MIT-Lizenz. Andernfalls ist eine gehostete API meist günstiger als eine ungenutzte GPU.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen