OpenAIs neue Transkriptionsmodelle sind schneller und 25 Prozent günstiger – aber nicht am genauesten
GPT Transcribe und GPT Live Transcribe senken den Preis auf 0,0045 US-Dollar pro Minute und erreichen eine Wortfehlerrate von 3,31 Prozent. ElevenLabs, Google und Mistral schneiden besser ab.
OpenAI stellt über seine API zwei neue Modelle zur Spracherkennung bereit: GPT Transcribe für aufgezeichnete Audiodateien und GPT Live Transcribe für Echtzeit-Streams. Beide verwandeln gesprochene Sprache in Text – die Technik hinter Sitzungsnotizen, Untertiteln, Podcast-Transkripten und Sprachassistenten. Die Dateiversion verarbeitet Audio ungefähr 34-mal schneller als in Echtzeit. Eine einstündige Aufnahme ist damit in weniger als zwei Minuten fertig.
Die Zahlen sind ordentlich, aber nicht spektakulär. Nach Messungen des unabhängigen Benchmark-Anbieters Artificial Analysis erreicht GPT Transcribe eine Wortfehlerrate von 3,31 Prozent. Diese meist mit WER abgekürzte Kennzahl gibt schlicht den Anteil falsch erkannter Wörter an; je niedriger, desto besser. Gegenüber dem ein Jahr alten Vorgänger GPT-4o Transcribe ist das eine Verbesserung um 0,7 Prozentpunkte. Gleichzeitig sinkt der Preis um 25 Prozent auf 0,0045 US-Dollar je Audiominute. Beide Modelle akzeptieren zusätzlichen Kontext: Texte, Stichwortlisten oder mehrere Eingabesprachen können die Erkennung von Namen und Fachbegriffen verbessern.
Bei der Genauigkeit führt OpenAI nicht. In derselben Rangliste erreicht ElevenLabs Scribe v2 2,3 Prozent, Googles Gemini 3 Pro 2,9 Prozent und Mistrals Voxtral Small 3 Prozent. Mit Voxtral Transcribe V2 unterbietet Mistral zudem die Konkurrenz beim Preis: Ab 0,003 US-Dollar pro Minute kostet der Dienst ein Drittel weniger als OpenAIs neues Angebot.
Transkription war früher ein Spezialprodukt von Spezialanbietern. Heute führen es alle großen Labore als einzelnen Posten im Sortiment, und der Wettbewerb dreht sich nicht mehr um die Frage „Funktioniert es?“, sondern um Bruchteile von Prozent und Cent. Für Käufer ist das gut, für Unternehmen, deren gesamtes Geschäft Transkription war, eher unangenehm. Es erklärt auch, warum OpenAI die neuen Modelle mit seiner kürzlich angekündigten Realtime-Generierung bündelt, zu der das Streaming-Transkriptionsmodell GPT-Realtime-Whisper gehört: Der Wert verschiebt sich vom Transkript zu den Diensten darum herum.
Was das für dich bedeutet: Brauchst du gelegentlich ein Transkript eines Interviews, einer Vorlesung oder eines Familienvideos, erledigt jedes dieser Modelle die Aufgabe gut. Preisunterschiede von einem Zehntel Cent pro Minute wirst du auf deiner Rechnung nie bemerken. Entwickelst du dagegen ein Produkt auf Basis von Transkription oder verarbeitest Tausende Stunden, wird die Rangliste wichtig – und OpenAI ist derzeit weder bei Genauigkeit noch Preis die beste Wahl. Ein fairer Vorbehalt: Benchmark-Fehlerraten sind Durchschnittswerte über Testdatensätze. Akzente, Hintergrundgeräusche und Fachsprache in deinen Aufnahmen können die Reihenfolge verändern. Teste deshalb mit eigenem Material, bevor du dich festlegst.
Quellen
1.200 Beschäftigte aus KI-Laboren fordern in Washington eine Bremse, die noch niemand bauen kann
Dario Amodei, Jakub Pachocki und John Schulman gehören zu den Unterzeichnern von Pacing the Frontier. Gefordert wird keine Pause, sondern die Möglichkeit, bei Bedarf langsamer zu werden – über das Wie herrscht offen Uneinigkeit.
