OpenAI-API-Modell für mehrsprachige Spracherkennung, Übersetzung und Sprachidentifikation mit Textausgabe.
whisper-1 ist OpenAIs API-Modell für allgemeine Spracherkennung. Die offizielle Modelldokumentation nennt mehrsprachige Transkription, Sprachübersetzung und Spracherkennung für Audio mit Textausgabe.
Die aktuelle OpenAI-Dokumentation führt whisper-1 mit 0,006 US-Dollar pro Minute. Als neuere Transkriptionsoption nennt die Modelldokumentation GPT-4o Mini Transcribe mit tokenbasierter Abrechnung: 1,25 US-Dollar Input und 5 US-Dollar Output pro 1 Million Audio-Tokens. Preise und Modellauswahl sind getrennt von der kostenlosen lokalen Nutzung eines Drittanbieter-Wrappers.
whisper-1 unterstützt laut Streaming-Hilfe kein Streaming. Für laufende oder gestreamte Audios gibt es separate Realtime- und Transkriptionsflüsse. Eine pauschale Aussage zu einem eingestellten Transcribe-Modell oder einer neuen Whisper-Version übernehme ich ohne aktuelle offizielle Bestätigung nicht.
Wähle für eine gespeicherte Aufnahme zuerst whisper-1 oder eine aktuelle Transcribe-Variante, miss Dauer und Tokenverbrauch und prüfe das Ergebnis mit einem kurzen Originalausschnitt. Für Streaming baust du den dafür vorgesehenen Realtime-Weg.
Transkribiere einen kurzen Abschnitt mit Zeitstempeln und Eigennamen. Vergleiche ihn mit dem Audio, bevor du die Pipeline auf lange Aufnahmen ausdehnst.