Vosk vs Whisper auf Deutsch: ein ehrlicher Vergleich aus dem Alltag

Vosk ist ein Kaldi-basiertes System: klassische akustische Modelle + ein Sprachmodell, optimiert für günstigen CPU-Betrieb. Whisper ist ein transformer-basiertes Seq2Seq-Modell: schwerer, größer, für GPU gebaut, aber auf CPU für kürzere Clips machbar. Die Fehlerform unterscheidet sich auch - Vosk hört plausible falsche Wörter, Whisper halluziniert flüssige Prosa.

Wir haben beide gegen eine 90-minütige Studio-Aufnahme zweier deutscher Muttersprachler:innen im Gespräch laufen lassen. Vosk Large: 96,2 % Wort-Genauigkeit. Whisper Large-v3: 97,8 %. Die 1,6-%-Lücke entsteht fast nur an drei Stellen: seltene Eigennamen (Whisper besser), englische Lehnwörter mit deutscher Aussprache (Whisper besser), Konversationsfüller und Versprecher (Vosk schluckt sie sauberer).

Auf einem verrauschten Telefon-1-on-1, das wir für einen anderen Test aufgenommen haben, hielt Vosk Large 86 %; Whisper Large-v3 halluzinierte. Der Seq2Seq-Decoder von Whisper ist generativ - wenn das Signal-zu-Rausch-Verhältnis unter die Trainings-Verteilung fällt, produziert er glücklich selbstbewusste, flüssige, komplett erfundene Sätze. Vosks Kaldi-Decoder ist ehrlicher: er gibt auf.

Vosk läuft produktiv auf einer einzelnen Hetzner-CPU-Box ohne ins Schwitzen zu kommen. Whisper Large braucht GPU für brauchbare Reaktionszeiten - das verdreifacht die Hosting-Kosten und zieht die Last in einen viel kleineren Anbieter-Pool, fast alle US-basiert. Für einen Dienst, der 'Audio verlässt die EU nicht' verspricht, ist das keine neutrale Wahl.

Drei Gründe. Erstens: Die Genauigkeits-Lücke auf dem Audio, das unsere Nutzer:innen tatsächlich aufnehmen (meist sauber, meist unter fünf Minuten), ist klein genug, dass sich der Trade lohnt. Zweitens: Vosk läuft entspannt auf EU-CPU-Boxen, Whisper Large nicht. Drittens: Vosks Fehlermodus ist Aufgabe statt Halluzination - und wir halten das für die sicherere Standard-Wahl in einem Transkriptions-Tool.