OpenAI Transkription API — Whisper API, GPT-4o-transcribe & Mini im Vergleich (2026)

Die drei OpenAI-Endpunkte im Vergleich

OpenAI bietet drei Wege, Audio in Text zu wandeln. Die Wahl hängt von Latenz-Anforderung, Budget und gewünschter Qualität ab.

Whisper API (whisper-1) — klassisch, batch-only

Der ursprüngliche Transkriptions-Endpunkt, verfügbar seit März 2023. Nutzt intern das Whisper large-v2-Modell, arbeitet batch-orientiert (kein Streaming). Preis 0,006 USD pro Audio-Minute (Preisliste, Stand August 2026). Beste Wahl für einfache Batch-Transkription mit vorhersehbarer Kostenkalkulation. Endpunkt: POST /v1/audio/transcriptions.

gpt-4o-transcribe — höchste Qualität, multimodal, Streaming

Auf GPT-4o basierend, unterstützt Streaming und liefert laut OpenAI höhere Genauigkeit bei komplexen Aufnahmen (mehrere Sprecher, Hintergrundgeräusche, Fachbegriffe). Steuerung über Prompt-Instruktionen möglich — z. B. „Gib medizinische Fachbegriffe korrekt wieder". Abrechnung token-basiert (Audio-Input-Tokens + Text-Output-Tokens), damit variabler als whisper-1. Aktuelle Preise siehe platform.openai.com/docs/pricing. Verfügbarkeit und Modell-Details unter platform.openai.com/docs/models.

gpt-4o-mini-transcribe — günstig, schnell

Die abgespeckte Variante von gpt-4o-transcribe: schnellere Latenz, deutlich geringere Kosten, kleine Genauigkeitsregression. Beste Wahl für Voice-Bots, Echtzeit-Assistenten und Anwendungen, in denen Latenz vor Perfektion geht. Ebenfalls Streaming-fähig.

Vergleichstabelle

Preise können sich ändern — bei platform.openai.com/docs/pricing verifizieren. Stand: 2026-08-09.

Code-Beispiele

Alle Beispiele nutzen den offiziellen openai-SDK v1+. Der Endpunkt heißt in allen SDKs audio.transcriptions.create.

Python — whisper-1

from openai import OpenAI
client = OpenAI()

with open("audio.mp3", "rb") as f:
    transcript = client.audio.transcriptions.create(
        model="whisper-1",
        file=f,
        language="de",
        response_format="verbose_json",
    )
print(transcript.text)

Node.js — whisper-1

import OpenAI from "openai";
import fs from "fs";
const client = new OpenAI();

const transcript = await client.audio.transcriptions.create({
    model: "whisper-1",
    file: fs.createReadStream("audio.mp3"),
    language: "de",
    response_format: "verbose_json",
});
console.log(transcript.text);

curl — whisper-1

curl https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@audio.mp3" \
  -F model="whisper-1" \
  -F language="de"

Python — gpt-4o-transcribe mit Streaming

from openai import OpenAI
client = OpenAI()

with open("audio.mp3", "rb") as f:
    stream = client.audio.transcriptions.create(
        model="gpt-4o-transcribe",
        file=f,
        language="de",
        response_format="text",
        stream=True,
    )
    for event in stream:
        if hasattr(event, "delta"):
            print(event.delta, end="", flush=True)

Praktische Grenzen und Fallstricke

• 25 MB Datei-Limit: Größere Aufnahmen müssen in Chunks aufgeteilt werden — bevorzugt an Stille-Grenzen (pydub, VAD). Details unter platform.openai.com/docs/guides/speech-to-text.
• Rate Limits: Requests pro Minute hängen von der Nutzungsstufe ab (Tier 1 → Tier 5). Bei Batch-Verarbeitung sollten Sie exponential backoff einbauen.
• Response Formats: `json`, `verbose_json` (mit Segment-Zeitstempeln), `text`, `srt`, `vtt`. `verbose_json` ist für Editor-Workflows die vielseitigste Wahl.
• Language auto-detection: Ohne language-Parameter erkennt Whisper die Sprache aus den ersten 30 Sekunden. Bei kurzen deutschen Aufnahmen (<30 s) empfiehlt sich das explizite Setzen von `language="de"` — sonst Fehl-Detektion möglich.
• Halluzinationen bei Stille: Whisper kann bei längeren Ruhephasen erfundene Sätze ausgeben. Voice-Activity- Detection (VAD) als Vorstufe reduziert das.

Wann OpenAI API nicht die richtige Wahl ist

Die OpenAI-API deckt viele Fälle ab, ist aber nicht immer optimal. Die wichtigsten Alternativen:

AssemblyAI & Deepgram

Beide bieten native Sprecher-Erkennung, PII-Redaktion und Streaming ohne die 25-MB-Grenze. Deepgram punktet mit sehr niedriger Latenz, AssemblyAI mit starken Zusatzmodulen (Kapitelerkennung, Entitätsextraktion). Beide sind US-basiert, bieten aber Enterprise-EU-Optionen.

Azure Speech-to-Text (nicht Azure OpenAI)

Der klassische Azure-Speech-Dienst hat Diarization out-of-the-box, EU-Regionen und Custom-Speech-Training für Fachvokabular. Für deutsche Enterprise-Umgebungen mit bestehendem Microsoft-Vertrag oft die pragmatischste Wahl.

Self-hosted Whisper

Für hohe Volumen ohne laufende Kosten und mit voller Datensouveränität. Setup und Installation im Whisper-Transkription-Guide.