Kurz: Auf NVIDIA oder Apple Silicon startest du mit „Ausgewogen“ ab rund 2 GB Grafikspeicher (Apple: Unified Memory), bei AMD oder Intel ab etwa 4 GB. Darunter oder ganz ohne GPU: „Schnell & Kompakt“. „Beste Qualität“ wird auf NVIDIA ab rund 3,6 GB empfohlen, auf Apple Silicon ab 4 GB und bei AMD oder Intel ab 12 GB. Alle drei laufen vollständig offline, decken 99 Sprachen ab, und du kannst jederzeit wechseln: die App lädt dann eine einzige Datei nach. Der Einrichtungsassistent wählt Parakeet vor, wenn du bei der Einrichtung als App-Sprache eine der 25 europäischen Sprachen wählst, die Parakeet unterstützt – nicht die Diktiersprache. Parakeet nutzt eine GPU, wenn vorhanden, sonst den Prozessor; auf dem Prozessor war es in unserem Benchmark mehrfach schneller als das kompakte Whisper-Modell.
Die drei Stufen nebeneinander
WhisPaste bietet bewusst drei Stufen an statt des gesamten whisper.cpp-Katalogs. Jede ist ein quantisierter GGML-Build, deshalb bleiben die Downloads deutlich unter einem Gigabyte. Du wählst eine Stufe in den Einstellungen; die App lädt eine Datei, prüft ihre Prüfsumme und schaltet um.
| Stufe | Modell | Download | Grafikspeicher |
|---|---|---|---|
| Schnell & Kompakt | whisper-small (q5_1) | 181 MB | ~900 MB |
| Ausgewogen | whisper-medium (q5_0) | 514 MB | ~1,5 GB |
| Beste Qualität | whisper-large-v3-turbo (q5_0) | 547 MB | ~2,6 GB |
| Parakeet | parakeet-tdt-0.6b-v3 (int8) | 639 MB | GPU optional, sonst Prozessor |
Empfehlung holen
Deine Empfehlung
JavaScript ist aus, deshalb sind unten alle Stufen beschrieben. Die Vergleichstabelle oben gibt dieselbe Information.
Schnell & Kompakt — whisper-small
Ein 181-MB-Download, der rund 900 MB Grafikspeicher braucht, und die Stufe, die einen bescheidenen Rechner reaktionsfähig hält. Sie ist der richtige Einstieg bei Onboard-Grafik, bei einer älteren Karte und auf allem ganz ohne GPU. Bei schwierigem Audio liegt die Genauigkeit unter den größeren Stufen; bei klarer Sprache in ein anständiges Mikrofon ist der Unterschied kleiner.
Ausgewogen — whisper-medium
Ein 514-MB-Download, der etwa 1,5 GB Grafikspeicher möchte. Das ist die Stufe, auf der die meisten landen sollten: bei Akzenten und Fachvokabular meist genauer als Schnell & Kompakt, ohne den Speicherhunger der Spitzenstufe. Auf Apple Silicon reichen dafür 2 GB Unified Memory; ab 4 GB empfiehlt die Auswahlhilfe Beste Qualität.
Beste Qualität — whisper-large-v3-turbo
Ein 547-MB-Download, der etwa 2,6 GB Grafikspeicher möchte. Die Turbo-Variante von large-v3 ist das größte Modell, das WhisPaste ausliefert. Lohnt sich ab einer dedizierten Karte mit rund 4 GB oder ab 4 GB Unified Memory auf Apple Silicon, und ist die Stufe der Wahl, wenn dein Audio schwierig ist: schnelles Sprechen, ungewohnte Eigennamen, Fachvokabular.
Auch eine Option: Parakeet
Parakeet ist die zweite On-Device-Engine, keine Whisper-Stufe. Der Download umfasst 639 MB für das Prozessor-Paket; mit aktivierter GPU-Beschleunigung kommt das GPU-Modell mit rund 638 MB dazu. Auf dem Prozessor ist es trotzdem mehrfach schneller als Whisper — was es zur stärksten Option auf einem Rechner ohne nutzbare Grafikbeschleunigung macht. Der Preis ist die Sprachbreite: 25 europäische Sprachen statt der 99 von Whisper.
Wie die Empfehlung zustande kommt
Die Auswahlhilfe oben rät nicht — sie wendet dieselben Schwellen an wie die App. Dedizierte NVIDIA-Karten werden gegen rund 70 % ihres gemeldeten Speichers gerechnet, weil Betriebssystem und andere Prozesse ihren Anteil nehmen: etwa 2,1 GB gemeldet für „Ausgewogen“, etwa 3,6 GB für „Beste Qualität“. Apple Silicon wird großzügig behandelt, weil Unified Memory tatsächlich geteilt wird: 2 GB für Ausgewogen, 4 GB für Beste Qualität. Integrierte AMD- und Intel-Grafik wird am vorsichtigsten behandelt — sie meldet geliehenen Systemspeicher, als wäre er ihr eigener, deshalb wird „Beste Qualität“ dort erst ab rund 12 GB empfohlen.
Die Sprache entscheidet mehr als die Hardware
Bevor du an der Stufe feilst, prüfe die Sprache. Whisper deckt auf jeder Stufe 99 Sprachen ab, ein größeres Modell schaltet also keine neue Sprache frei — es transkribiert dieselbe Sprache nur genauer. Parakeet ist der umgekehrte Tausch: auf dem Prozessor viel schneller, dafür auf 25 europäische Sprachen begrenzt, darunter Deutsch, Englisch, Französisch, Spanisch, Italienisch, Polnisch, Niederländisch, Ukrainisch und Russisch. Steht deine Sprache auf dieser Liste und hat dein Rechner keine nutzbare GPU, schlägt Parakeet jede Whisper-Stufe beim Tempo. Der Einrichtungsassistent wählt Parakeet anhand der bei der Einrichtung gewählten App-Sprache vor, nicht anhand der Diktiersprache.
Vor dem ersten Start
- Mit welcher Whisper-Modellgröße soll ich anfangen?
- Ausgewogen (whisper-medium) ab rund 2 GB Grafikspeicher auf NVIDIA oder Apple Silicon, ab 4 GB bei AMD oder Intel. Schnell & Kompakt (whisper-small) darunter oder ganz ohne GPU. Ein späterer Wechsel kostet einen Download, du musst dich also nicht vorab quälen.
- Ist das größte Modell immer die beste Wahl?
- Nein. Ein Modell, das nicht in deinen Grafikspeicher passt, kann scheitern oder langsam laufen. WhisPaste weicht dann auf ein kleineres Modell aus. Ein Modell, das bequem hineinpasst, ist deshalb die sicherere Wahl. Auch die Genauigkeit erreicht bei sauberem Audio aus einem anständigen Mikrofon ein Plateau — die größeren Stufen spielen ihren Vorteil bei Akzenten, Störgeräuschen und Fachvokabular aus.
- Kann ich die Modellgröße später ändern?
- Ja. Die Stufe ist eine Einstellung; die App lädt die passende Datei einmal, prüft sie und nutzt sie ab dann. An deinem übrigen Setup ändert sich nichts.