Spracherkennung auf Deutsch: Das kleine Parakeet hält mit Whisper mit, Turbo nicht

Darum geht es

Diese Woche kamen auffällig viele Spracherkenner auf einmal. Salesforce hat SOV-Transcribe-1 veröffentlicht, Elevenlabs Scribe v3 und Nvidia zwei Wochen zuvor Nemotron 3.5 Transcribe. Dazu gibt es Offline-Diktier-Apps wie ThumbFree, die auf Nvidias kleinem Parakeet-Modell aufbauen. Fast alle werben mit dem AA-WER-Index von Artificial Analysis, und der misst nach eigener Beschreibung nur englische Datensätze: Gespräche mit Sprachagenten, Reden aus dem EU-Parlament und Telefonkonferenzen zu Quartalszahlen.

Wir haben deshalb die deutschen Zahlen gesammelt: die Deutsch-Auswertung des Open ASR Leaderboards von Hugging Face, eine Dialekt-Studie aus Österreich und eine deutsche Medizinstudie. Gemessen wird immer mit der Wortfehlerrate (WER), also dem Anteil falsch erkannter, ausgelassener oder hinzugedichteter Wörter. 4 % heißt: In einem Diktat mit 1000 Wörtern stecken etwa 40 Fehler.

Die deutsche Rangliste: Klein schlägt Groß

Die aktuelle Deutsch-Wertung des Leaderboards, wie sie Papers with Code spiegelt, sieht so aus (Auszug):

Auf Platz 1 steht dort eigentlich „Sophea ASR K1“ mit 2,54 %. Das zugehörige Paper beschreibt aber einen Griechisch-Englisch-Erkenner ohne veröffentlichte Gewichte und erwähnt Deutsch nicht. Wir halten den Eintrag für einen Zuordnungsfehler und lassen ihn weg.

Am auffälligsten ist Parakeet v3. Mit 0,6 Milliarden Parametern ist es nicht einmal halb so groß wie Whisper large-v3 (1,55 Milliarden) und liegt trotzdem gleichauf. Laut dem Leaderboard-Paper rechnet es mit einem RTFx von 1720 (so viele Sekunden Audio schafft es pro Sekunde Rechenzeit) etwa 15-mal so schnell wie Whisper mit 111. Das beliebte Whisper-Turbo liegt dagegen bei 6,12 %, das sind rund 50 % mehr Fehler als beim großen Whisper. Viele Desktop-Apps verbauen gerade diese Variante, weil sie schneller ist und weniger Speicher braucht. Laut OpenAI kann Turbo außerdem nicht übersetzen.

Die Zahlen hängen stark vom Stand der Auswertung ab. Im Leaderboard-Paper vom März 2026 standen Whisper noch bei 4,26 %, Parakeet bei 4,20 % und Voxtral Small bei 3,01 %. Zwei unabhängige Kleintests bestätigen die Tendenz. Ein Test auf dev.to mit 100 deutschen FLEURS-Sätzen auf einem Mac mit M2 Pro kam auf 4,8 % für Parakeet, 5,1 % für Whisper-Turbo und 6,9 % für Apples eingebaute Spracherkennung. Der Autor entwickelt allerdings selbst eine App mit Parakeet.

Was die neuen Modelle auf Deutsch zeigen (und was nicht)

SOV-Transcribe-1 unterstützt laut Modellkarte sieben Sprachen, darunter Deutsch, und steht unter Apache 2.0. Die Benchmark-Tabelle liegt aber nur als Bild vor, und im deutschen Leaderboard taucht das Modell nicht auf. BenchLM nennt nur einen Mittelwert von 4,88 % über sechs europäische Sprachen. Ein deutscher Einzelwert fehlt damit. Laut OrcaRouter ist der Checkpoint in BF16 etwa 53 GB groß und passt damit nicht auf eine 48-GB-Karte. Quantisierte Fassungen gibt es noch nicht. Quantisieren heißt, die Zahlen des Modells gröber zu speichern, damit es weniger Speicher braucht. Getestet hat Salesforce auf einer RTX PRO 6000 mit 96 GB. Streaming, also Text schon während des Sprechens, kann das Modell nicht.

Nemotron 3.5 Transcribe ist ein Mixture-of-Experts-Modell: Von 30 Milliarden Parametern arbeiten pro Schritt nur etwa 4 Milliarden. Für Deutsch nennt Nvidia 2,73 % auf FLEURS und 2,99 % auf Common Voice. Die Modellkarte nennt eine H100 mit 80 GB als Ziel. Eine FP8-Fassung läuft auf der L40S mit 48 GB, die NVFP4-Fassung auf der RTX 5090. Auch dieses Modell transkribiert nur Aufnahmen, kein Live-Audio. Die Lizenz OpenMDW-1.1 erlaubt laut Nvidia kommerzielle Nutzung.

Scribe v3 ist nicht offen und läuft nur über die API von Elevenlabs. Laut einem Bericht von all-ai.de, der sich auf Elevenlabs beruft, sank die deutsche WER von 3,7 % (v2) auf 2,1 %. Elevenlabs nennt im eigenen Blog nur „42 % besser“, gemessen auf einer internen FLEURS-Version. Das zeigt gut, wie sehr Messungen auseinanderliegen: Dasselbe Scribe v2 kam im Leaderboard-Paper auf 2,27 % statt 3,7 %.

Hy ASR 3.0 fällt für uns heraus. Laut Technical Report beherrscht es Mandarin, Englisch und chinesische Dialekte, und Gewichte sind dort nicht verlinkt.

Warum Benchmark-Zahlen täuschen können

Das Leaderboard misst auf FLEURS und Common Voice, also auf vorgelesenen, sauber aufgenommenen Sätzen. Vor der Wertung werden Satzzeichen und Großschreibung entfernt, und zwar mit einer Normalisierung nach englischem Vorbild. Ob „Sie“ oder „sie“ richtig geschrieben wurde, fließt also nicht ein.

Die Wiener Firma CASABLANCA hat das systematisch untersucht. Allein die Normalisierung verschob die WER bei Whisper large-v3 um bis zu fünf Prozentpunkte. Dazu kommt der Betreiber: Bei Artificial Analysis erreicht dasselbe Whisper large-v3 auf Englisch 4,1 % bei fal.ai, 4,5 % bei Together AI und 10,1 % bei Replicate. Gehostete Dienste legen ihre Einstellungen selten offen, deshalb lässt sich die Lücke laut den Autoren nicht vollständig erklären. Auf Dialektdaten aus Deutschland, Österreich und der Schweiz stieg die Fehlerrate deutlich. Voxtral Mini kam auf Standarddeutsch auf 3,8 %, auf Dialekt auf 6,4 %, Deepgram Nova-3 auf 5,2 % und 8,3 %. Die Tabelle der Studie ist an einigen Stellen unsauber formatiert. Für Parakeet vergleicht sie zum Beispiel offenbar Werte von v3 (Together AI) und v2 (Nvidia), die Artificial Analysis als getrennte Modelle führt.

Noch deutlicher wird es in einer Studie der Hochschule Pforzheim und von XPACE mit echten deutschen Anamnesegesprächen. Darin kommen Fachbegriffe, ein Akzent und ein starker Dialekt vor:

Whisper macht hier dreimal so viele Fehler wie auf FLEURS. Die Autoren weisen selbst auf Unstimmigkeiten bei der Modellbezeichnung hin (Whisper steht einmal als „Distilled“ in der Tabelle). Parakeet wurde nicht getestet. Eine Sprecherzuordnung (Diarisierung, also wer was gesagt hat) lieferten nur die Cloud-Dienste direkt. Offene Modelle brauchten dafür Zusatzwerkzeuge wie pyannote.

Streaming: der Preis für Live-Text

Wer Text in Echtzeit braucht, etwa für Untertitel oder Telefon-Bots, muss Genauigkeit abgeben. Voxtral Mini 4B Realtime zeigt das direkt. Bei 160 ms Verzögerung liegt es auf deutschem FLEURS bei 9,50 %, bei den empfohlenen 480 ms bei 6,19 %, bei 2,4 Sekunden bei 4,15 %. Nemotron 3.5 ASR Streaming 0.6B kommt je nach Häppchengröße auf 8,3 bis 9,8 %. Laut einer Praxisbewertung von wavect fehlen ihm außerdem Diarisierung, Zeitstempel und Fachvokabular. Qwen3-ASR kann über vLLM streamen, dabei steigt die mittlere WER laut Modellkarte von 2,69 auf 3,33 %.

Die große Übersicht

Bei Parakeet gilt die WER für die normale Transkription von Aufnahmen. Das Cohere-Modell Transcribe (2 Mrd. Parameter, Apache 2.0) kam im Paper vom März auf 3,84 %, in der aktuellen Liste steht es nicht. Der Download erfordert dort eine Freigabe.

Unser Fazit

Diktat auf Handy oder Laptop: Unsere Einschätzung: Parakeet v3 ist derzeit die beste Wahl. Es erkennt Deutsch so gut wie das große Whisper, läuft aber auf dem Prozessor. Nutzen kannst du es über ThumbFree (dort im Menü das mehrsprachige Modell wählen) oder die Desktop-App Handy. Ein Haken: Das Modell erkennt die Sprache selbst und lässt sich nicht fest auf Deutsch stellen. In den Hugging-Face-Diskussionen beklagen Nutzer eingestreute Wörter aus anderen Sprachen und verschluckte Sätze. Wenn eine App Whisper-Turbo anbietet, nimm auf Deutsch lieber Parakeet oder das volle large-v3.

Meeting-Protokoll: Hier zählt Genauigkeit mehr als Tempo. Mit einer 24-GB-Karte sind Qwen3-ASR-1.7B oder Voxtral Mini 3B realistisch. Für Firmen mit Server-GPU spielen Voxtral Small und Nemotron 3.5 Transcribe in der obersten Liga, SOV-Transcribe-1 muss das für Deutsch erst noch zeigen. Die Sprecherzuordnung musst du bei offenen Modellen meist selbst ergänzen.

Callcenter: Live-Text kostet auf Deutsch spürbar Genauigkeit. Voxtral Realtime mit 480 ms ist der beste offene Kompromiss. Telefonaudio mit 8 kHz, Dialekte und Fachbegriffe machen alles schlechter, darauf testet keine öffentliche Rangliste. Die Medizinstudie und die Dialekt-Daten zeigen, dass sich zwei bis drei Prozent schnell in sieben bis zwölf verwandeln. Unsere Empfehlung lautet daher: Vor dem Einsatz eine Stunde eigenes Audio abtippen lassen und selbst messen. Das sagt mehr als jede Bestenliste, auch als unsere.