Whisper lokal mit GUI installieren: Offline-Spracherkennung auf Deutsch ohne Cloud

Wenn Sie Audio oder Video offline auf Deutsch transkribieren möchten, ohne Ihre Aufnahmen in eine Cloud hochzuladen, ist Whisper lokal mit GUI ein einfacher Weg. Diese Anleitung zeigt, wie Sie Whisper lokal installieren und über eine grafische Oberfläche bedienen: ohne Python-Kenntnisse und ohne laufende Kosten. Das Ergebnis ist eine Spracherkennung lokal auf Ihrem Windows-Rechner, die aus Sprachmemos, Interviews, Meetings oder Videos Textdateien, SRT-Untertitel oder VTT-Dateien erzeugt. Die Anleitung richtet sich an Einsteiger, Redaktionen, Studierende und alle, die Audio-zu-Text-Verarbeitung aus Datenschutzgründen im eigenen Haus behalten wollen.

Was ist Whisper und warum lokal statt Cloud?

Whisper ist ein von OpenAI entwickeltes Open-Source-Modell zur automatischen Spracherkennung (ASR, Automatic Speech Recognition). Es wandelt gesprochene Sprache in Text um und beherrscht zahlreiche Sprachen, Deutsch eingeschlossen. Anders als die OpenAI-API läuft Whisper vollständig auf Ihrer eigenen Hardware. Ihre Aufnahmen verlassen den Rechner also nicht.

In der Praxis nutzt man heute selten das originale Python-Whisper direkt. Verbreitet ist Faster-Whisper, eine Reimplementierung auf Basis der CTranslate2-Engine, die schneller läuft und weniger Arbeitsspeicher braucht. Der Entwickler Purfview stellt davon fertige Standalone-Programme für Windows bereit: ausführbare Dateien, die ohne Python-Installation funktionieren. Kombiniert mit einer grafischen Oberfläche erhalten Sie eine Audio zu Text offline-Lösung mit Klick-Bedienung.

Die Vorteile gegenüber Cloud-Diensten:

1. Datenschutz: Vertrauliche Interviews, Patientengespräche oder interne Meetings bleiben lokal. Für die Transkription ist kein Auftragsverarbeitungsvertrag mit einem Cloud-Anbieter nötig.
2. Keine laufenden Kosten: Es fallen keine Gebühren pro Minute an, unabhängig vom Umfang.
3. Offline-Fähigkeit: Funktioniert auch ohne Internet, etwa unterwegs oder im abgeschotteten Netz.
4. Volle Kontrolle: Sie wählen Modellgröße, Sprache und Ausgabeformat selbst.

Voraussetzungen

1. Windows 10 oder 11 (64-Bit, x86-64). Laut Projektseite laufen die aktuellen Faster-Whisper-XXL-Builds ab Windows 10 und Linux-Kernel 5.15. Diese Anleitung beschreibt Windows.
2. Mindestens 8 GB RAM, besser 16 GB. Das medium-Modell braucht spürbar Arbeitsspeicher.
3. Freier Speicherplatz: das Programm selbst plus rund 75 MB bis 3 GB je Modell. Planen Sie 10 GB ein, falls Sie mehrere Modelle testen.
4. Eine aktuelle x86-64-CPU mit 4 oder mehr Kernen. Eine NVIDIA-GPU mit CUDA ist optional, beschleunigt aber deutlich. Für large-v3 auf der GPU sollten etwa 6 GB VRAM vorhanden sein.
5. Eine Audio- oder Videodatei zum Testen (MP3, WAV, M4A, MP4 usw.).
6. 7-Zip oder ein anderes Programm, das .7z-Archive entpackt. Die Releases werden als 7z-Archive verteilt.

Sie brauchen keine Python-Installation und keinen Account. Die Standalone-Variante bringt alles Nötige mit.

Schritt 1: Faster-Whisper Standalone herunterladen

1. Öffnen Sie die Releases-Seite des Projekts Purfview/whisper-standalone-win auf GitHub.
2. Laden Sie im Release Faster-Whisper-XXL das Archiv für Windows herunter (Dateiname nach dem Muster Faster-Whisper-XXL_rXXX_windows.7z). Die XXL-Variante ist die gepflegte Version, das ältere einfache Faster-Whisper führt das Projekt als veraltet. XXL enthält Zusatzfunktionen wie Stimmextraktion und weitere VAD-Methoden.
3. Entpacken Sie das 7z-Archiv an einen festen Ort, zum Beispiel C:\Whisper. Vermeiden Sie Windows-Systemordner wie C:\Program Files, Pfade mit Sonderzeichen und OneDrive-synchronisierte Ordner.

Nach dem Entpacken finden Sie im Ordner die ausführbare Datei faster-whisper-xxl.exe sowie mehrere Hilfsbibliotheken. Sie können das Programm bereits jetzt über die Kommandozeile testen:

cd C:\Whisper\Faster-Whisper-XXL
.\faster-whisper-xxl.exe --help

Erscheint eine Hilfe-Ausgabe mit allen Parametern, ist das Programm lauffähig. Die Oberfläche kommt im nächsten Schritt dazu, die eigentliche Arbeit erledigt aber genau diese Datei.

Verifizieren: .\faster-whisper-xxl.exe --help gibt eine Liste von Parametern wie --model, --language und --output_format aus, ohne Fehlermeldung zu fehlenden DLLs.

Schritt 2: GUI-Wrapper einrichten

Faster-Whisper-XXL ist ein Kommandozeilen-Werkzeug. Damit Sie ohne Befehle arbeiten können, gibt es zwei bequeme Wege.

Variante A: Drag-and-Drop per Batch-Datei

Die einfachste Oberfläche ist eine Batch-Datei, auf die Sie eine Audiodatei ziehen. Die Transkription startet dann mit festen Parametern. Legen Sie dazu folgenden Inhalt als transkribieren.bat in den Whisper-Ordner:

@echo off
REM Datei per Drag-and-Drop auf diese .bat ziehen
"C:\Whisper\Faster-Whisper-XXL\faster-whisper-xxl.exe" %1 --language German --model medium --output_format srt --output_dir source
pause

Jede Audiodatei, die Sie auf die Batch-Datei ziehen, ergibt eine deutsche SRT-Datei im selben Ordner wie die Quelle (--output_dir source). Das ist bereits eine funktionierende Bedienung per Maus, ganz ohne Zusatzsoftware.

Variante B: Grafische Oberfläche mit Subtitle Edit

Für eine richtige Oberfläche mit Auswahlfeldern nennt das Purfview-Projekt selbst Programme wie Subtitle Edit (Open Source, Windows). Dort finden Sie im Menü Video die Funktion Sprache zu Text (Whisper), in älteren Versionen Audio zu Text (Whisper). Als Engine wählen Sie Purfviews Faster-Whisper-XXL. Subtitle Edit bietet an, Programm und Modelle herunterzuladen, und zeigt Felder für Datei, Eingabesprache und Modell. Das Ergebnis landet direkt als Untertitel im Editor, wo Sie Fehler korrigieren und als SRT oder VTT speichern können.

Verifizieren: Ziehen Sie eine kurze Testdatei auf transkribieren.bat (oder starten Sie in Subtitle Edit die Whisper-Funktion). Ein Konsolenfenster zeigt den Fortschritt, beim ersten Lauf zusätzlich den Modell-Download.

Schritt 3: Das richtige deutsche Modell wählen

Die Modellgröße entscheidet über Qualität, Geschwindigkeit und Speicherbedarf. Für Faster-Whisper auf Deutsch ist die Wahl wichtig, weil kleine Modelle bei deutscher Grammatik und Eigennamen schnell schwächeln. Diese Übersicht hilft bei der Entscheidung:

Faustregel, die auch das Projekt nennt: Für brauchbares Deutsch mindestens medium. Wenn Ihre Hardware mitmacht und Sie maximale Genauigkeit brauchen, nehmen Sie large-v3. Das Modell wird beim ersten Lauf automatisch heruntergeladen und im Programmordner unter _models abgelegt. Danach läuft alles offline.

Verifizieren: Nach dem ersten Lauf existiert im Programmordner unter _models ein Unterordner für das gewählte Modell, etwa faster-whisper-medium.

Schritt 4: Erste Transkription starten

Jetzt transkribieren Sie Ihre erste Datei. In der Oberfläche wählen Sie Datei, Sprache German, Modell medium und das Ausgabeformat (srt oder txt) und starten. Wer lieber die Kommandozeile nutzt, verwendet diesen Befehl:

.\faster-whisper-xxl.exe "C:\Aufnahmen\interview.mp3" --language German --model medium --output_format srt --output_dir "C:\Aufnahmen"

Die wichtigsten Parameter im Klartext:

1. --language German erzwingt Deutsch und verhindert, dass Whisper die Sprache falsch errät.
2. --model medium wählt die Modellgröße.
3. --output_format akzeptiert unter anderem srt, txt, vtt oder json.
4. --output_dir legt den Zielordner fest.

Die Geschwindigkeit ist stark hardwareabhängig. Als grobe Orientierung: Auf einer CPU braucht das medium-Modell etwa 10 bis 30 Sekunden pro Minute Audio, eine starke GPU 2 bis 5 Sekunden. Eine Stunde Interview kann auf der CPU also 20 bis 30 Minuten dauern.

Verifizieren: Das Programm endet ohne Fehlermeldung, und im Zielordner liegt interview.srt mit aktuellem Zeitstempel.

Schritt 5: Ergebnis prüfen und erster Test

1. Öffnen Sie den Zielordner. Dort liegt nun eine Datei wie interview.srt oder interview.txt.
2. Öffnen Sie die Datei in einem Editor und lesen Sie die ersten Absätze. Stimmen Eigennamen, Fachbegriffe und Satzzeichen einigermaßen, passt die Modellwahl.
3. Eine .srt können Sie direkt als Untertitel in einem Videoplayer wie VLC laden, um Zeitstempel und Synchronität zu prüfen.

Ist die Qualität zu schwach, heben Sie das Modell eine Stufe an (etwa von small auf medium oder von medium auf large-v3). Sind Wortgrenzen unsauber, hilft eine bessere Audioqualität der Quelldatei oft mehr als ein größeres Modell.

Verifizieren: Die Untertitel erscheinen in VLC zeitgleich mit der gesprochenen Passage, und der Text ist ohne größere Lücken lesbar.

Schritt 6: GPU-Beschleunigung aktivieren (optional)

Mit einer NVIDIA-Grafikkarte beschleunigt CUDA (NVIDIAs Schnittstelle für Berechnungen auf der Grafikkarte) die Transkription deutlich. Laut Projektseite wählt das Programm die GPU automatisch, sobald CUDA erkannt wird. Sie können das Gerät aber auch ausdrücklich festlegen:

.\faster-whisper-xxl.exe "C:\Aufnahmen\interview.mp3" --language German --model large-v3 --device cuda --output_format srt

Mit --device cuda läuft die Berechnung auf der GPU. Erscheint eine Fehlermeldung zur CUDA-Bibliothek, fehlt meist ein aktueller NVIDIA-Treiber. Aktualisieren Sie ihn über die NVIDIA-Website oder die NVIDIA-App. Mit --device cpu erzwingen Sie die Berechnung auf dem Prozessor. Welche Karte mit wie viel VRAM für lokale KI sinnvoll ist, erklärt die Anleitung GPU für lokale KI auswählen.

Verifizieren: Während der Transkription zeigt der Task-Manager unter Leistung bei der GPU eine deutliche Auslastung (Ansicht Cuda oder Compute), und die Laufzeit sinkt gegenüber dem CPU-Lauf spürbar.

Updates und Wartung

Faster-Whisper-XXL hat keinen automatischen Updater. Prüfen Sie alle paar Monate die GitHub-Releases von Purfview/whisper-standalone-win. Ein Update ist einfach: neues Archiv herunterladen, in einen frischen Ordner entpacken und Ihre Skripte auf den neuen Pfad anpassen. Die Modelle müssen Sie nicht neu laden, wenn Sie den Ordner _models in den neuen Programmordner kopieren.

Backup-Hinweis

Die Modelldateien sind mehrere hundert Megabyte bis einige Gigabyte groß. Sichern Sie den Ordner _models mit, wenn Sie ein Offline-Backup Ihrer Arbeitsumgebung anlegen. Dann müssen Sie nach einem Neuaufsetzen nicht alle Modelle erneut herunterladen. Wichtiger sind Ihre Originalaufnahmen und fertigen Transkripte, denn diese lassen sich nicht wiederherstellen. Eine regelmäßige Kopie auf ein NAS oder eine externe Platte genügt.

Troubleshooting

1. Programm startet nicht, DLL fehlt: Installieren Sie das aktuelle Microsoft Visual C++ Redistributable (x64). Es fehlt auf frischen Windows-Installationen häufig.
2. Falsche Sprache erkannt: Setzen Sie immer ausdrücklich --language German, statt Whisper die Sprache raten zu lassen.
3. Sehr langsam: Wählen Sie ein kleineres Modell oder nutzen Sie eine NVIDIA-GPU. Auf reiner CPU ist large-v3 oft zäh.
4. Out-of-Memory: Bei zu wenig RAM oder VRAM eine Modellstufe kleiner wählen (etwa medium statt large-v3).
5. Erfundene Wiederholungen in Stille: Die Stimmaktivitätserkennung (VAD, Voice Activity Detection) ist bei den XXL-Builds standardmäßig aktiv und filtert Stille heraus. Bleibt das Problem, hilft eine sauberere Quelldatei.
6. Programm im Systemordner verhält sich seltsam: Das Projekt rät ausdrücklich davon ab, die Programme in Windows-Ordner zu kopieren. Verschieben Sie den Ordner nach C:\Whisper.
7. Pfad mit Leerzeichen schlägt fehl: Setzen Sie Dateipfade immer in doppelte Anführungszeichen.

Häufige Fragen

Brauche ich Python, um Whisper lokal zu nutzen?

Nein. Faster-Whisper-XXL von Purfview ist ein eigenständiges Programm, das ohne Python-Installation läuft. Mit Subtitle Edit oder einer Batch-Datei bedienen Sie alles per Maus, ohne Programmierkenntnisse.

Welches Whisper-Modell ist am besten für deutsche Transkription?

Für brauchbares Deutsch sollten Sie mindestens das medium-Modell nutzen. Es liefert eine gute Balance aus Qualität und Geschwindigkeit. Wer maximale Genauigkeit braucht und eine GPU hat, nimmt large-v3. Die kleinen Modelle tiny und base eignen sich nur für schnelle Tests.

Funktioniert Whisper wirklich komplett offline?

Ja. Nur beim ersten Lauf wird das gewählte Modell einmalig heruntergeladen. Danach arbeitet die Spracherkennung vollständig lokal, ohne Internetverbindung und ohne dass Audiodaten Ihren Rechner verlassen.

Wie lange dauert eine Transkription?

Das hängt stark von der Hardware ab. Auf einer CPU braucht das medium-Modell grob 10 bis 30 Sekunden pro Minute Audio, eine starke NVIDIA-GPU 2 bis 5 Sekunden. Eine Stunde Audio kann auf reiner CPU also 20 bis 30 Minuten benötigen.

Welche Ausgabeformate unterstützt Whisper?

Sie können unter anderem reinen Text (txt), Untertitel (srt und vtt) sowie strukturierte Daten als json erzeugen. SRT und VTT eignen sich für Videountertitel, TXT für die Weiterverarbeitung in einem Textprogramm.

Fazit

Mit Faster-Whisper-XXL und einer einfachen Oberfläche betreiben Sie eine kostenlose und datenschutzfreundliche Spracherkennung lokal auf Ihrem Windows-Rechner. Sie transkribieren Interviews, Meetings und Videos offline auf Deutsch, wählen die Modellgröße selbst und erhalten TXT-, SRT- oder VTT-Dateien ohne Cloud und ohne Account. Für den Einstieg reicht das medium-Modell. Für höhere Qualität greifen Sie zu large-v3 mit GPU-Beschleunigung. Der Preis dafür: Rechenzeit auf der eigenen Hardware und gelegentliche manuelle Updates.

Weiterführende Anleitungen

Wenn Sie Transkription lieber als Dienst im Netzwerk betreiben, zeigt die Anleitung Audio und Video lokal transkribieren mit Whisper (Docker) den Weg über einen Container. Wer KI-Werkzeuge komplett selbst hosten möchte, findet in der Anleitung zu Ollama mit Open WebUI in Docker als lokales LLM die passende Ergänzung: So betreiben Sie neben der Spracherkennung auch ein eigenes Sprachmodell offline. Wie leistungsfähig aktuelle KI-Modelle geworden sind, zeigt unsere News zum Release von Anthropic Claude Opus 4.8. Weitere Anleitungen rund um KI sammeln wir in der Kategorie Künstliche Intelligenz.

Quellen

Offizielle Projektseiten und Dokumentation: Purfview/whisper-standalone-win (GitHub), Subtitle Edit (GitHub), SYSTRAN/faster-whisper (GitHub) und openai/whisper (GitHub).