Whisper vs. Google Speech-to-Text

Google Speech-to-Text ist eine API, keine App, die du öffnest

Das Erste, was klar sein muss: Google Cloud Speech-to-Text hat kein Fenster. Es gibt kein Symbol in deinem Dock, kein Tastenkürzel, kein "Drücken zum Sprechen". Es ist ein Dienst, mit dem deine Software über das Netzwerk kommuniziert. Du schickst ihm per Code Audio; er schickt Text zurück. Googles eigene Dokumentation beschreibt es als synchrone, streamende und asynchrone Spracherkennung, die über eine API genutzt wird.

Dieses Design ist gut für seinen Zweck. Die Streaming-Erkennung liefert Zwischenergebnisse in Echtzeit, was nützlich ist, wenn du eine Live-Untertitelung oder einen Sprachbefehl für dein eigenes Produkt baust. Die asynchrone Erkennung verarbeitet lange Aufnahmen: Du lädst Audio hoch, Google arbeitet es im Hintergrund durch, und du fragst das Ergebnis ab, wenn es fertig ist. Google dokumentiert diesen Batch-Weg so, dass er Audio von bis zu acht Stunden in einem einzigen Auftrag verarbeitet. Das ist eine echte Stärke. Wenn du ein ganzes Lager aufgezeichneter Anrufe über Nacht transkribieren willst, ist eine Diktier-App für Endnutzer das falsche Werkzeug und eine API wie die von Google das richtige.

Es unterstützt eine lange Liste von Sprachen und regionalen Varianten, die BCP-47-Codes, die Entwickler kennen, wie en-US, en-GB und es-MX. Ich werde hier keine genaue Sprachanzahl und keinen Preis pro Minute nennen, und ich wäre vorsichtig bei jedem Artikel, der das tut. Googles Preis- und Sprachseiten ändern sich, und die Zahlen, die im Netz herumschwirren, lassen sich nicht alle auf eine Primärquelle zurückführen, für die ich geradestehen würde. Was ich ohne Einschränkung sagen kann: Es ist nutzungsbasierte Cloud-Abrechnung. Du zahlst für das, was du sendest, dein Audio geht an die Server von Google, und es gibt keinen kostenlosen lokalen Modus.

Zwei Menschen, zwei verschiedene Probleme

Hier ist die klarste Methode, die ich gefunden habe, um zu erkennen, auf welcher Seite dieser Linie du stehst. Stell dir zwei Menschen vor.

Der erste ist eine Entwicklerin. Sie baut ein Tool für den Kundensupport, das aufgezeichnete Anrufe in durchsuchbaren Text verwandelt. Die Transkription läuft auf ihrem Server, in ihrem Code, ohne dass ein Mensch dabei zusieht. Sie will einen Endpunkt, an den sie Audio schicken kann, und eine JSON-Antwort, die sie in einer Datenbank speichern kann. Sie wird das Transkriptionswerkzeug nie "öffnen". Es lebt in dem Produkt, das sie an ihre eigenen Kunden ausliefert. Das ist die Aufgabe von Google Speech-to-Text. Die API ist die Komponente; ihr Produkt ist die App.

Der zweite ist ein Autor. Oder eine Anwältin, die im Zug einen Schriftsatz verfasst, oder ein Student, der eine Vorlesung in Notizen verwandelt, oder ein Elternteil, das die E-Mail einer Lehrerin beantwortet, während es das Abendessen umrührt. Er hat keinen Server. Er hat einen Cursor, der in einem Dokument blinkt, und er würde lieber sprechen als tippen. Er will eine Taste drücken, den Satz sagen und zusehen, wie er in der Datei erscheint, die er ohnehin schon offen hat. Er wird nie Code schreiben, und das sollte er auch nicht müssen. Das ist unsere Aufgabe.

Die Verwirrung im Suchbegriff entsteht, weil "Whisper" eine Doppelrolle spielt. Google STT ist ein fertiger Cloud-Dienst. Whisper ist ein Modell, und ein Modell ist keine App. Jemand muss die App darum herum bauen: das Mikrofon einbinden, das Tastenkürzel verdrahten, den Text an den Cursor einfügen. Das ist der Teil, den wir gemacht haben.

Whisper in unserer App ist Desktop-Diktat, und es läuft auf deinem Rechner

Whisper ist das Sprachmodell, das OpenAI quelloffen veröffentlicht hat. Unsere App führt es lokal aus: reines Rust, kein Python-Beiwerk, kein Server in der Schleife für gewöhnliches Diktieren. Du drückst ein Tastenkürzel (unter Windows standardmäßig Ctrl+Space, frei belegbar), du sprichst, du lässt los, und der Text landet genau dort, wo dein Cursor schon steht. Kein Code. Kein API-Schlüssel für den lokalen Weg. Das Audio verlässt den Laptop nie.

Dieser letzte Punkt ist der ganze Sinn der Sache, und es ist genau der, der in einer Funktionstabelle nicht auftaucht.

In der lokalen Stufe wählst du aus acht Whisper-Modellen, von rund 140 MB bis zu 3 GB; du tauschst Downloadgröße und CPU-Zeit gegen Genauigkeit. Vier sind auf Englisch abgestimmt; die vier mehrsprachigen decken eine breite Spanne von Sprachen ab und können Sprache in derselben Geste ins Englische übersetzen, was Googles API nicht in einen einzigen Diktierdruck packt und was die meisten Verbrauchertools komplett auslassen. Es gibt außerdem Parakeet, eine separate NVIDIA-Engine, die auf der CPU 5- bis 10-mal schneller ist als Whisper, für Englisch und 24 weitere europäische Sprachen, und sie läuft ohne GPU.

Die gesamte lokale Pipeline ist für jeden angemeldeten Nutzer kostenlos, ohne Karte bei der Anmeldung: jedes Modell, KI-Aufbereitung über Ollama, Verlauf, eigene Schlüsselwörter, das ganze Paket. Wenn du die Cloud-Seite willst, ist das Whisper Pro: OpenAI-Cloud-Transkription (gpt-4o-mini-transcribe oder gpt-4o-transcribe), Cloud-KI-Aufbereitung und Websuche, alles über deinen eigenen OpenAI-Schlüssel, ohne dass Remskill etwas davon abzweigt. Das ist optional. Standard ist lokal und kostenlos.

Die nüchterne Wahrheit ist: Für einen diktierten Absatz hat dein Laptop schon ein Mikrofon und eine CPU. Er braucht kein Rechenzentrum.

Die Kostenmodelle haben nicht dieselbe Form

Hier hört der Vergleich auf, Äpfel mit Äpfeln zu sein. Eine Cloud-API rechnet pro Minute Audio ab. Eine lokale Diktier-App rechnet höchstens einmal ab.

Ich habe einmal gesehen, wie das Minuten-Modell zugebissen hat. Ein Team, mit dem ich gearbeitet habe, ließ von einem externen Dienstleister einen internen "KI-Diktat"-Prototypen bauen, der für jede Äußerung eine Cloud-API aufrief. Eine "smarte Wiederholungs"-Routine wurde zu eifrig und transkribierte dieselben Stand-up-Aufnahmen viermal hintereinander. Die Teamleitung öffnete am Quartalsende das Kosten-Dashboard und fand eine fünfstellige Rechnung. Die Lösung des Dienstleisters war: "Wir sollten den Prompt optimieren." Die Lösung des Finanzchefs war: "Oder wir sollten nicht für die Cloud-Transkription von Meetings zahlen, zu denen es ohnehin schon Notizen gibt."

Das ist kein Vorwurf an Googles API. Wie vorgesehen eingesetzt, von Entwicklern, die den Zähler im Blick behalten, ist sie für Produktions-Pipelines fair bepreist. Es ist ein Vorwurf dagegen, einen kostenpflichtigen Cloud-Dienst für etwas zu nutzen, das eine lokale App kostenlos erledigt. Reine Cloud-Transkription ist ein Datenschutz-Desaster, das nur darauf wartet, in Rechnung gestellt zu werden. Deine Vertragsentwürfe, deine Gehaltstabelle, die E-Mail an die Schule deines Kindes — alles verlässt deinen Rechner, nur weil du sprechen statt tippen wolltest. Für jemanden, der den ganzen Tag diktiert, ist Local-First die richtige Voreinstellung, und der Zähler springt nie an.

Direkt nebeneinander

Hier ist die ehrliche Übersicht. Beachte: Die Tabelle dreht sich nicht wirklich um "was ist besser". Sie dreht sich um "in welcher Kategorie steckst du".

In dieser Tabelle stehen mit Absicht keine konkreten Google-Zahlen. Auf die Form kommt es an: Server vs. Rechner, Code vs. Tastenkürzel, Zähler vs. kostenlos. Wenn diese Zeilen dich zur API führen, gut, lies den nächsten Abschnitt weiter. Wenn sie dich zur App führen, der Download-Button ist ganz unten.

Wann Google Speech-to-Text das richtige Werkzeug ist

In ein paar klaren Fällen würde ich zu Googles API greifen, nicht zu unserer App. Das ist der Abschnitt, den KI-Artikel überspringen, also hier ganz unverblümt.

Wenn dich das beschreibt, schließ diesen Tab und öffne Googles Dokumentation. Wir machen nichts Serverseitiges. Das ist keine falsche Bescheidenheit; es ist ein anderes Produkt.

Wann Whisper in unserer App das richtige Werkzeug ist

Die andere Seite. Du baust keine Software. Du versuchst, mit dem Tippen aufzuhören.

Du willst E-Mails, Notizen, Nachrichten und Code-Kommentare diktieren und sie dort erscheinen lassen, wo du gerade arbeitest. Du hättest lieber, dass dein Audio nicht auf irgendwessen Server landet. Du willst keinen Minutenzähler laufen lassen, während du nachdenkst. Du willst kostenlos anfangen, und du willst keine einzige Zeile Code schreiben, um es zu nutzen.

Nimm Parakeet für Tempo und Englisch; nimm ein mehrsprachiges Whisper-Modell, wenn du Übersetzung, seltenere Sprachen oder feinere Kontrolle brauchst. Die lokale Pipeline kostet nichts; die Cloud-Stufe (OpenAI-Transkription mit deinem eigenen Schlüssel) ist optional und auf der Preisseite aufgeführt.

Zur Offline-, Lokal- und Kostenlos-Seite dieser Frage habe ich die größeren Abwägungen in Lokale vs. Cloud-Transkription aufgeschrieben. Und falls du zwischen den beiden lokalen Engines wählst, die wir ausliefern: Whisper vs. Parakeet geht Tempo gegen Sprachabdeckung durch.

Wenn du dir nur eine Sache merkst

Google Speech-to-Text ist eine API für Entwickler; Whisper in unserer App ist Diktat für Menschen. Zu fragen, was "besser" ist, ist, als würde man fragen, ob ein Automotor besser ist als ein Auto. Das hängt ganz davon ab, ob du das Ding baust oder fährst.