WhisPaste ist ein quelloffenes Offline-Spracherkennungs-Tool für Windows, macOS und Linux, kostenlos auf GitHub. Im lokalen Modus führt es Whisper-Modelle vollständig auf dem eigenen Rechner aus — dein Audio bleibt auf dem Computer, und du brauchst weder Internet noch Konto.
Modus-Wahl: lokal als Default, Cloud auf Abruf
WhisPaste startet im lokalen Modus. Das Modell läuft auf deiner CPU oder GPU, das Audio bleibt auf dem Rechner, und das Transkript wird ohne Netzwerk-Round-Trip an den Cursor geliefert. Wenn du für eine lange Aufnahme maximale Geschwindigkeit brauchst, kannst du in den Einstellungen einen Cloud-Anbieter wählen, das ist aber eine explizite Einstellung, die du selbst wählst, kein versteckter Fallback.
Was Offline kann und nicht kann
WhisPaste bringt zwei Offline-Engines mit. Offline-Whisper deckt 99 Sprachen ab und kommt mit natürlicher Sprache mit Pausen und Neuansätzen zurecht. Die zweite Engine, Parakeet, tauscht diese Sprachbreite gegen Tempo (rund 25 Sprachen; auf dem Prozessor war es in unserem Benchmark mehrfach so schnell wie das kompakte Whisper-Modell, mit GPU-Beschleunigung noch schneller). Was keine der beiden kann: Sprecher auseinanderhalten oder Modellgrößen, die deinen verfügbaren Speicher übersteigen. Als grobe Orientierung braucht das kompakte Modell rund 900 MB Grafikspeicher, Ausgewogen rund 1,5 GB und Beste Qualität rund 2,6 GB (eigene Schätzwerte).
RAM- und CPU-Profil
Das Minimum sind 8 GB RAM und eine 64-Bit-CPU unter Windows 10, macOS 12 Monterey (Apple Silicon) oder Linux – genug für das kompakte Modell auf der CPU. Mit 16 GB RAM und einer GPU mit 2–4 GB VRAM ist das ausgewogene Modell für Alltagsdiktat eine komfortable Wahl. Apple Silicon teilt sich den Speicher zwischen CPU und GPU, deshalb reichen dort schon 2 GB Unified Memory für Ausgewogen.
- Welche Modellgröße soll ich für Offline-Speech-to-Text wählen?
- Starte mit dem kompakten Modell: Es schafft Alltagssprache auf einem 8-GB-Rechner ohne GPU. Mit 16 GB RAM und einer eigenen Grafikkarte ist das ausgewogene Modell bei Akzenten und Fachvokabular meist die bessere Wahl, und die GPU hält es flott. WhisPaste bietet genau drei Größen; Beste Qualität lohnt sich erst ab rund 3,6 GB Grafikspeicher und bei langen Aufnahmen. Der Einrichtungsassistent schlägt passend zu deiner Hardware eine Größe vor.
- Funktioniert der Offline-Modus wirklich ganz ohne Internet?
- Ja. Nach dem einmaligen Modell-Download läuft whisper.cpp vollständig auf deinem Rechner. Flugmodus, eine vom Netz getrennte Workstation oder ein wackeliger Hotspot machen für die Transkription keinen Unterschied. Nutzungsstatistik, Absturzberichte und Update-Prüfung sind standardmäßig an und brauchen das Netz, die Transkription wartet aber nie auf sie, und alle drei lassen sich abschalten.
- Wie genau ist Offline-Speech-to-Text im Vergleich zu Cloud-APIs?
- Für alltägliche Spracheingabe sind die Offline-Modelle eine starke Standardwahl. Spezialdomänen (starke Akzente, sehr laute Umgebungen, seltenes Fachvokabular) profitieren manchmal von einem größeren Cloud-Modell. WhisPaste lässt dich den Anbieter in den Einstellungen umschalten, sodass du Offline als Standard fährst und Cloud nur dann holst, wenn eine Aufnahme es wirklich braucht.