Parakeet vs Whisper: Tempo, Genauigkeit und Sprachen
Parakeet vs Whisper: NVIDIAs Modell ist schneller und gewinnt bei Englisch, deckt aber 25 europäische Sprachen ab, Whisper 99. Welches taugt für Untertitel?
Parakeet vs Whisper läuft darauf hinaus, in welcher Sprache dein Video ist. NVIDIAs Parakeet TDT 0.6B v3 ist deutlich schneller als Whisper und bei den englischen Tests des Open ASR Leaderboards genauer als Whisper large-v3 und turbo. Es deckt aber 25 europäische Sprachen ab, Whisper dagegen 99. Außerhalb dieser 25, darunter Türkisch, Japanisch, Koreanisch, Chinesisch, Arabisch und Hindi, kommt Parakeet nicht infrage.
Das macht die Entscheidung einfacher, als die Benchmark-Diagramme vermuten lassen. Hier stehen die Zahlen aus den Modellkarten von NVIDIA und OpenAI und vom Leaderboard, warum Parakeet so schnell ist, wo Whisper weiterhin gewinnt und welche Desktop-Apps jedes der beiden Modelle ausführen.
Parakeet vs Whisper im direkten Vergleich
Zahlen geprüft am 16. November 2026 auf den Modellkarten von NVIDIA und OpenAI und auf dem Open ASR Leaderboard, zuletzt aktualisiert am 13. November 2026. Die Fehlerrate ist die durchschnittliche Wortfehlerrate des Leaderboards für Englisch; niedriger ist besser. Das Tempo ist sein RTFx: Sekunden Audio, die pro Sekunde Rechenzeit transkribiert werden, auf einer einzelnen NVIDIA H200.
| Eigenschaft | Parakeet TDT 0.6B v3 | Whisper large-v3 | Whisper large-v3-turbo |
|---|---|---|---|
| Hersteller | NVIDIA | OpenAI | OpenAI |
| Parameter | 600 M | 1.550 M | 809 M |
| Sprachen | 25 europäische | 99 | 99 |
| Fehlerrate Englisch (Leaderboard) | 7,04 % | 8,24 % | 8,75 % |
| Fehlerrate lange Aufnahmen (Leaderboard) | 12,60 % | 13,10 % | 12,82 % |
| Tempo (RTFx) | ~6.320 | ~470 | ~810 |
| Türkisch, Japanisch, Koreanisch, Chinesisch, Arabisch, Hindi | Nein | Ja | Ja |
| Sprachübersetzung | Nein | Ins Englische | Nein |
| Wort-Zeitstempel | Ja | Ja | Ja |
| Lizenz | CC-BY-4.0 | MIT | MIT |
Zwei Zeilen verdienen einen zweiten Blick. Die Sprachzeile entscheidet mehr als jede andere: Ein schnelleres, genaueres Modell ist nichts wert, wenn es deine Sprache nicht versteht. Und die Zeile zu langen Aufnahmen, gemessen an Telefonkonferenzen zu Quartalszahlen und langen Interviews, bringt alle drei Modelle auf einen halben Punkt Abstand. Parakeets Vorsprung ist bei den kürzeren englischen Clips am deutlichsten, aus denen die meisten Benchmarks bestehen.
NVIDIAs Modellkarte nennt außerdem automatische Zeichensetzung und Großschreibung, automatische Spracherkennung und Audio von bis zu 24 Minuten in einem Durchgang mit voller Attention oder bis zu drei Stunden mit lokaler Attention. Whisper bewältigt jede Länge, indem es das Audio in 30-Sekunden-Fenstern durchläuft, wie OpenAIs README beschreibt.
Warum ist Parakeet so viel schneller als Whisper?
Die beiden Modelle sind unterschiedlich gebaut. Whisper ist ein Encoder-Decoder-Transformer: Der Encoder hört 30 Sekunden Audio, und der Decoder schreibt dann den Text Token für Token, wobei jedes Token auf das vorherige wartet. In dieser zweiten Hälfte geht der größte Teil der Zeit drauf, weshalb large-v3-turbo, das den Encoder behält und den Decoder von 32 auf 4 Schichten kürzt, etwa achtmal schneller läuft als large-v3.
Parakeet kombiniert einen FastConformer-Encoder mit einem TDT-Decoder. TDT steht für Token-and-Duration Transducer: Für jeden Schritt sagt er das nächste Token voraus und wie viele Audio-Frames dieses Token abdeckt, sodass er Frames überspringen kann, statt jeden einzelnen zu besuchen. Seine Autoren maßen allein dadurch eine bis zu 2,82-mal schnellere Inferenz als bei einem herkömmlichen Transducer. Weniger Arbeit pro Sekunde Audio bedeutet mehr Audio pro Sekunde Rechenzeit.
Verstehe die Tempo-Werte des Leaderboards als Verhältnis, nicht als Versprechen. Sie stammen von einer Rechenzentrums-GPU. Auf einer RTX-Karte zu Hause oder auf einer Laptop-CPU sind beide Modelle um ein Vielfaches langsamer als diese Zahlen, und wie viel schneller Parakeet dort bleibt, hängt von der Software ab, die es ausführt. Auf Desktop-Hardware haben wir es selbst nicht gemessen, deshalb nennen wir dafür keine Zahl.
Ist Parakeet genauer als Whisper?
Bei englischen Benchmarks ja. Parakeet v3 erreicht auf dem aktuellen englischen Testsatz des Leaderboards im Schnitt 7,04 % Wortfehlerrate, gegenüber 8,24 % bei Whisper large-v3 und 8,75 % bei turbo. Sein rein englischer Vorgänger Parakeet v2 liegt mit 6,93 % noch etwas besser. Bei langen Aufnahmen schließt sich die Lücke fast: 12,60 % für Parakeet v3, 12,82 % für turbo, 13,10 % für large-v3.
Drei Einschränkungen halten diese Zahlen in Proportion:
- Das Leaderboard ist überwiegend englisch. Sein mehrsprachiger Tab testet acht Sprachen. Parakeet v3 deckt sechs davon ab und hat für Chinesisch und Hindi keinen Wert, bekommt also gar keinen mehrsprachigen Durchschnitt. Whisper large-v3 erreicht über die acht im Schnitt 7,76 %.
- Benchmarks sind nicht dein Audio. Ein Unterschied von einem Prozentpunkt entspricht etwa einem Wort pro hundert. Dein Mikrofon, Akzente, Musik und Durcheinanderreden verändern das Ergebnis weit stärker als die Modell-Rangfolge.
- Bei Whisper sind die Fehler gut dokumentiert, bei Parakeet weniger. OpenAIs eigene Studie nennt bei Whisper „in Wiederholungsschleifen hängen bleiben“ und „vollständige Halluzination, bei der das Modell ein Transkript ausgibt, das mit dem tatsächlichen Audio nichts zu tun hat“. NVIDIAs Modellkarten machen zu Halluzinationen keine Aussage, weder so noch so; stattdessen veröffentlichen sie Werte bei Störgeräuschen, bei denen die englische Fehlerrate von 6,34 % bei sauberem Audio auf 11,66 % bei 0 dB Signal-Rausch-Verhältnis steigt. Warum Whisper halluziniert behandelt die Gegenmaßnahmen auf Whisper-Seite.
Für Untertitel zählen so kleine Genauigkeitsunterschiede weniger als Auslassungen. Ein Modell, das einen Satz überspringt, kostet mehr als eines, das einen Namen falsch schreibt. Teste also an einem eigenen Clip und achte zuerst darauf, was fehlt.
Welche Sprachen unterstützt Parakeet v3?
Fünfundzwanzig, alle europäisch: Bulgarisch, Dänisch, Deutsch, Englisch, Estnisch, Finnisch, Französisch, Griechisch, Italienisch, Kroatisch, Lettisch, Litauisch, Maltesisch, Niederländisch, Polnisch, Portugiesisch, Rumänisch, Russisch, Schwedisch, Slowakisch, Slowenisch, Spanisch, Tschechisch, Ukrainisch und Ungarisch. Es erkennt, welche davon gesprochen wird, ohne dass man es ihm sagt.
Alles andere ist außer Reichweite. Türkisch, Japanisch, Koreanisch, Chinesisch, Arabisch, Hindi, Vietnamesisch, Thailändisch, Indonesisch und Persisch gehören zu den Sprachen, die Parakeet v3 nicht transkribieren kann. NVIDIA veröffentlicht zwar ein eigenes, rein japanisches Parakeet aus einer älteren Generation, aber kein mehrsprachiges Parakeet deckt asiatische Sprachen oder Türkisch ab.
Auch Whispers 99 Sprachen sind nicht gleichwertig. Die Genauigkeit schwankt von Sprache zu Sprache stark, wie OpenAIs README sagt, und Whispers unterstützte Sprachen nennt OpenAIs eigene Fehlerrate für jede einzelne. Aber ein schwaches Ergebnis in deiner Sprache ist immer noch ein Transkript, das du korrigieren kannst, ein fehlendes Ergebnis dagegen nicht.
Stand November 2026 führt NVIDIAs Hugging-Face-Seite kein Parakeet v4. Die neueren 0.6B-Veröffentlichungen sind ein Streaming-Modell für Englisch und eine mehrsprachige Version davon, die dieselben 25 europäischen Sprachen abdeckt.
Wo kannst du Parakeet unter Windows und Mac ausführen?
Parakeet stammt aus NVIDIAs NeMo-Toolkit, einem Python-Framework, das laut seiner Modellkarte für NVIDIA-GPUs optimiert ist, mit Linux als bevorzugtem System. Nur wenige führen es so aus. Diese Desktop-Apps liefern es fertig verpackt, laut ihren eigenen Seiten:
- Vibe (Windows, Mac und Linux, kostenlos und Open Source) führt Whisper und Parakeet TDT v3 aus und exportiert SRT, VTT und mehrere Dokumentformate.
- Subtitle Edit (Windows, Mac und Linux, kostenlos) hat in Version 5.1 Parakeet-Modelle in sein Fenster „Speech to text“ aufgenommen, über die CrispASR-Engine. Subtitle Edit mit Whisper behandelt dieses Fenster.
- MacWhisper (Mac) führt Whisper und Parakeet auf Apple Silicon aus und exportiert SRT und VTT. MacWhisper-Alternativen für Windows vergleicht es mit den Windows-Optionen.
- MacParakeet (Apple Silicon, kostenlos und Open Source) ist um Parakeet v3 herum gebaut, exportiert SRT und VTT und sagt offen, dass es kein Chinesisch, Japanisch oder Koreanisch unterstützt.
- parakeet-mlx ist ein Kommandozeilen-Tool für Apple Silicon, das standardmäßig SRT schreibt.
- Handy (Windows, Mac und Linux, kostenlos) nutzt Parakeet v3 zum Diktieren und nicht zum Transkribieren von Dateien.
Für die Whisper-Seite listet der Whisper-GUI-Vergleich sieben Desktop-Apps und die Engine, die jede davon ausführt.
Parakeet oder Whisper: Was solltest du für Untertitel nehmen?
„Meine Videos sind auf Englisch oder in einer anderen der 25 Sprachen von Parakeet, und Tempo zählt.“ Probiere Parakeet in Vibe oder Subtitle Edit aus. Es ist schneller und bei englischen Benchmarks etwas genauer.
„Meine Videos sind auf Türkisch, Japanisch, Koreanisch, Chinesisch, Arabisch oder Hindi.“ Nimm Whisper. Parakeet transkribiert diese Sprachen gar nicht.
„Ich arbeite in mehreren Sprachen, und nicht alle sind europäisch.“ Nimm Whisper, damit ein Tool und ein Workflow jedes Video abdecken.
„Ich brauche Untertitel in anderen Sprachen, nicht nur in der gesprochenen.“ Keines der beiden Modelle kann das allein gut. Transkribiere in der gesprochenen Sprache mit dem Modell, das dazu passt, korrigiere das Transkript und übersetze dann den Text.
„Ich transkribiere lange Aufnahmen.“ Beides geht. Bei den Langform-Tests des Leaderboards liegen die drei Modelle einen halben Punkt auseinander, entscheide also nach Sprache und Tempo.
Warum Sablate Whisper ausführt und nicht Parakeet
Sablate transkribiert mit faster-whisper auf deinem eigenen Rechner und bietet Parakeet nicht an. Der Grund sind die Sprachen. Sablate ist darauf gebaut, dass aus einer Transkription Untertitel in vielen Sprachen werden, und das Quellvideo kann in einer von 100 Sprachen sein, Whispers 99 plus Kantonesisch. Ein Modell, das bei 25 europäischen Sprachen aufhört, würde die türkischen, japanischen und koreanischen Videos nicht abdecken, die Leute mitbringen.
Der Kompromiss ist real, und Parakeet gewinnt ihn dort, wo er greift. Auf einem Mac führt Sablate Whisper über whisper.cpp auf der GPU von Apple Silicon aus, doch für Englisch oder eine europäische Sprache sind MacWhisper oder MacParakeet mit Parakeet weiterhin früher fertig. Unter Windows macht eine NVIDIA-GPU Sablates Whisper-Modelle etwa fünf- bis zehnmal schneller als die CPU, mit large-v3-turbo als sinnvollem Standard.
Was nach dem Transkript passiert, unterscheidet Sablate von einem reinen Transkriptionsprogramm. Jede Übersetzung ist eine Ebene auf denselben Timings, offline mit Argos oder mit deinem eigenen DeepL-, OpenAI- oder Claude-Schlüssel, und jede Sprache behält ihren eigenen Stil und ihre eigene Schriftart. Exportiere .srt- oder .vtt-Dateien, eine .mkv mit einer Spur pro Sprache oder ein eingebranntes .mp4. Der kostenlose Plan führt die Modelle Fast und Balanced aus; Pro ergänzt Accurate (large-v3-turbo) und Best (large-v3) für $29 einmalig oder $5.99 im Monat.
Kurz gesagt
Parakeet v3 ist das schnellere Modell und auf Englisch das etwas genauere. Whisper ist das Modell, das deine Sprache versteht, wenn sie nicht zu Parakeets 25 gehört. Für englische oder europäische Videos probiere Parakeet in einer kostenlosen App wie Vibe oder Subtitle Edit aus. Für alles andere, oder für Untertitel, die am Ende in mehreren Sprachen vorliegen, bleib bei Whisper, und wähle mit dem Whisper-Modellvergleich eine Größe aus.
Häufig gestellte Fragen
Ist Parakeet besser als Whisper?
Für Englisch und die 25 unterstützten europäischen Sprachen ist Parakeet TDT 0.6B v3 schneller und hat auf dem Open ASR Leaderboard eine niedrigere Fehlerrate als Whisper large-v3 und turbo. Für jede andere Sprache kommt es nicht infrage, denn es transkribiert weder Türkisch noch Japanisch, Koreanisch, Chinesisch, Arabisch oder Hindi. Whisper deckt 99 Sprachen ab.
Wie viel schneller ist Parakeet als Whisper?
Etwa dreizehnmal schneller als Whisper large-v3 und achtmal schneller als turbo, nach den Werten des Open ASR Leaderboards. Es hat für Parakeet v3 auf einer Rechenzentrums-GPU rund 6.300 Sekunden Audio pro Sekunde Rechenzeit gemessen. Auf einer Desktop-Grafikkarte oder einem Laptop liegen die absoluten Werte weit niedriger und hängen von der Software ab, die das jeweilige Modell ausführt.
Welche Sprachen unterstützt Parakeet v3?
Fünfundzwanzig europäische Sprachen: Bulgarisch, Dänisch, Deutsch, Englisch, Estnisch, Finnisch, Französisch, Griechisch, Italienisch, Kroatisch, Lettisch, Litauisch, Maltesisch, Niederländisch, Polnisch, Portugiesisch, Rumänisch, Russisch, Schwedisch, Slowakisch, Slowenisch, Spanisch, Tschechisch, Ukrainisch und Ungarisch. Es erkennt automatisch, welche gesprochen wird. Parakeet v2, die Vorgängerversion, transkribiert nur Englisch.
Kann Parakeet Japanisch, Chinesisch, Koreanisch oder Türkisch transkribieren?
Nein. Keine dieser Sprachen steht in der Liste der 25 Sprachen von Parakeet v3, ebenso wenig Arabisch oder Hindi. NVIDIA hat zwar ein eigenes, rein japanisches Parakeet-Modell aus einer älteren Generation, aber kein mehrsprachiges Parakeet deckt asiatische Sprachen oder Türkisch ab. Dafür sind Whisper large-v3 oder turbo die praktische lokale Wahl.
Kann Parakeet Sprache wie Whisper übersetzen?
Nein. Parakeet transkribiert nur, und zwar in der gesprochenen Sprache. Whisper large-v3 kann Sprache ins Englische übersetzen, turbo dagegen nicht. NVIDIAs Modell für Sprachübersetzung ist Canary-1B-v2, das zwischen Englisch und 24 europäischen Sprachen übersetzt. Für Untertitel in anderen Sprachen liefert die Übersetzung des korrigierten Transkripts als Text bessere Ergebnisse als beide.