Whisper selbst betreiben: Lohnt sich das für Unternehmen? Lizenz, GPU-Kosten und Datenschutz (Oktober 2026)

So bin ich vorgegangen

Ich habe die READMEs, Lizenzdateien und Modellkarten der vier Projekte gelesen, dazu die Preisseiten von fünf Anbietern, und die Datentabelle von OpenAI mit Artikel 28 DSGVO verglichen. Minutenpreise habe ich mit 60 multipliziert, damit alles je Audiostunde dasteht. Ich habe kein Konto angelegt, kein Modell laufen lassen und kein Audio hochgeladen.

Vier Dinge passten nicht zusammen. Für unseren Eintrag zu Speechmatics habe ich eine Korrektur von 0,129 $ auf die 0,12 $ je Stunde gemeldet, die der Anbieter heute zeigt. Die README von FunASR nennt kein Labor, deshalb habe ich auch für unsere Zeile, die eines nennt, eine Korrektur gemeldet. Die Hugging-Face-Karten von Whisper large-v3 und turbo nennen andere Lizenzen als die GitHub-README, mehr dazu unten. Einen europäischen GPU-Anbieter habe ich weggelassen. Die Preise von Hetzner lädt die Seite per Skript nach, ich habe stattdessen die Listenpreise von RunPod genommen und sage es dort, wo es zählt. Die allgemeine Vorgehensweise steht unter So prüfen wir.

Belege: [1][2][3][4]

Schritt 1: Dürfen die Aufnahmen Ihr Netz verlassen?

Diese Frage kommt zuerst, weil ihre Antwort Optionen streicht. Nach Artikel 28 Absatz 3 DSGVO muss die Verarbeitung durch einen Auftragsverarbeiter auf einem bindenden Vertrag beruhen, der Gegenstand, Dauer, Art der Daten und die Rechte des Verantwortlichen regelt. Jede API, die Aufnahmen erkennbarer Personen entgegennimmt, ist ein solcher Auftragsverarbeiter. Ein Modell auf Ihrem eigenen Server hat für die Transkription selbst keinen externen Dritten.

Bei Aufnahmen von Beschäftigten kommt § 87 Absatz 1 Nummer 6 des Betriebsverfassungsgesetzes hinzu. Er nennt als mitbestimmungspflichtig die Einführung und Anwendung technischer Einrichtungen, die dazu bestimmt sind, das Verhalten oder die Leistung der Arbeitnehmer zu überwachen. Ob ein Transkriptionswerkzeug darunter fällt, hängt vom Einsatz ab und gehört in die Rechtsberatung. Der Wortlaut unterscheidet nicht zwischen eigenem Server und API.

Ich habe nachgelesen, was der größte API-Anbieter dokumentiert. Laut Datenseite von OpenAI werden an die API gesendete Daten nicht zum Training genutzt, außer Sie stimmen zu. Für den Transkriptions-Endpunkt nennt die Tabelle keine Aufbewahrung im Rahmen der Missbrauchsüberwachung und führt ihn als geeignet für Zero Data Retention. Der europäische Endpunkt listet Audio-Transkription ebenfalls, mit dem Vermerk, dass dafür modifizierte Missbrauchsüberwachung oder Zero Data Retention nötig ist. Datenresidenz müssen Sie über den Vertrieb anfragen, und für Modelle ab dem 5. März 2026 kommt ein Aufschlag von 10 Prozent dazu.

Was das für Sie heißt: Die oft gehörte Aussage, die API behalte Ihr Audio 30 Tage, passt für diesen Endpunkt nicht zur Tabelle von OpenAI. Die 30 Tage gelten dort für andere, etwa die Sprachausgabe. Eigenbetrieb verkürzt hier also keine Speicherfrist. Er verhindert, dass überhaupt ein Dritter das Audio verarbeitet, und das zählt, wenn Verträge, Aufsicht oder Kunden Auftragsverarbeiter ausschließen. Ich habe nur die Seite von OpenAI gelesen, prüfen Sie den Anbieter, den Sie tatsächlich wählen würden.

Belege: [5][6][7]

Schritt 2: Welche Lizenz für das gilt, was Sie herunterladen

Whisper steht laut README mit Code und Modellgewichten unter der MIT-Lizenz. GitHub führt WhisperX als BSD-2-Clause und pyannote.audio als MIT. Für diese drei Zeilen reicht ein kurzer Blick.

Bei der Sprechererkennung ändert sich das Bild. Die aktuelle offene Pipeline von pyannote.audio, community-1, steht laut Hugging-Face-Metadaten unter CC BY 4.0. Zum Herunterladen müssen Sie Nutzungsbedingungen akzeptieren und ein Zugriffstoken erzeugen. Dieselben Schritte verlangt die README von WhisperX für die Sprechertrennung. Creative Commons schreibt zu CC BY 4.0, dass auch kommerzielle Nutzung erlaubt ist, wenn Sie den Urheber nennen, die Lizenz verlinken und Änderungen kennzeichnen. Die ältere Pipeline 3.1 ist MIT, aber gleich geschützt. Die Bedingungen auf der Modellseite sollte Ihre Rechtsabteilung selbst lesen. Ich habe sie nicht angenommen, dafür braucht man ein Konto. Das Projekt hinter beiden Pipelines ist pyannote.audio.

Bei FunASR geht die Trennung weiter. Das Toolkit ist MIT, die README sagt, Modellgewichte seien getrennt lizenziert, Karte für Karte. Ich habe drei Karten geöffnet. SenseVoiceSmall verweist auf die FunASR Model Open Source License Agreement in Version 1.1. Sie verlangt Namensnennung und das Beibehalten der Modellnamen. Außerdem verlieren Nutzer:innen nach dieser Vereinbarung automatisch alle Lizenzen, wenn sie die Software ungerechtfertigt herabwürdigen oder böswillig verunglimpfen, und die Modelle werden nur zu Referenz- und Lernzwecken bereitgestellt. Die Karten von Fun-ASR-MLT-Nano und paraformer-zh nennen Apache 2.0.

Auch bei Whisper selbst widersprechen sich die Quellen. Die GitHub-README sagt MIT für die Gewichte, Hugging Face nennt auf der Karte von large-v3 Apache 2.0 und auf der von large-v3-turbo MIT. Ich habe das nicht auflösen können. Laden Sie die Gewichte von einem benannten Ort und halten Sie fest, welche Lizenz Sie dort sahen.

Was das für Sie heißt: Zählen Sie Lizenzen je Pipeline, nicht je Projekt. Whisper plus pyannote community-1 bedeutet MIT, CC BY 4.0 und eine Bedingung bei Hugging Face. Lassen Sie die Rechtsabteilung das vor einem Pilotbetrieb auflisten und lesen Sie die Modellkarte jedes FunASR-Checkpoints, den Sie ausliefern wollen.

Belege: [8][9][10][11][12][2][13][14][15][16][17]

Schritt 3: Der Aufbau, der zur Aufgabe passt

Whisper allein liest eine ganze Datei und arbeitet sie in gleitenden 30-Sekunden-Fenstern ab. Laut Modellkarte ist es ohne Weiteres nicht für Echtzeit gedacht, Sprecherlabels liefert es nicht. Die README nennt sechs Größen, von etwa 1 GB Grafikspeicher bei tiny bis etwa 10 GB bei large, dazu turbo mit etwa 6 GB, das auf einer A100 bei englischer Sprache rund 8-mal schneller läuft als large.

WhisperX setzt auf Whisper auf und zielt auf Aufnahmen. Die README verspricht 70-fache Echtzeit mit large-v2 bei weniger als 8 GB GPU-Speicher, dazu Zeitstempel je Wort und Sprecherlabels über pyannote. Das Projekt faster-whisper, auf dem WhisperX aufbaut, veröffentlicht eine kleinere Messung: 13 Minuten Audio in 1 Minute 3 Sekunden mit fp16 auf einer RTX 3070 Ti, mit Batching in int8 16 Sekunden. Beides sind Zahlen der Maintainer, ich habe sie nicht nachgemessen.

FunASR lohnt sich, wenn Live-Untertitel auf eigenen Servern laufen sollen. Die README führt einen Streaming-Checkpoint von Paraformer für Live-Transkription in Abschnitten, er deckt aber nur Chinesisch und Englisch ab. Fun-ASR-MLT-Nano umfasst 31 Sprachen. Für deutsche Gespräche würde ich die Whisper-Familie in die engere Wahl nehmen. Fehlerraten für Deutsch habe ich nicht geprüft, die README von Whisper verweist dafür auf die Zahlen je Sprache im zugehörigen Paper.

Was das für Sie heißt: Für aufgezeichnete Gespräche mit Sprecherlabels ist der realistische Aufbau Whisper oder faster-whisper, WhisperX und pyannote, als nächtlicher Stapellauf. Live-Untertitel während des Gesprächs sind ein eigenes Projekt.

Belege: [8][18][19][20][2]

Schritt 4: Ein Monat Audio kostet weniger als der Server, der es abschreiben könnte

Gehostete Listenpreise, am 10. Oktober 2026 in Dollar je Audiostunde umgerechnet: OpenAI gpt-4o-mini-transcribe 0,18 $ (0,003 $ je Minute), gpt-transcribe 0,27 $ (0,0045 $), Deepgram Nova-3 einsprachig mit Bezahlung nach Verbrauch 0,258 $ (0,0043 $), Speechmatics Melia 1 0,12 $ und Gladia Starter 0,61 $ für Dateien. Auf der Preisseite von OpenAI, die ich gelesen habe, gibt es keine Zeile für whisper-1. Unsere Verzeichniseinträge zu Deepgram und Gladia stimmen mit den Seiten der Anbieter überein.

Für die Hardware habe ich die Preisseite von RunPod genommen, Stand 27. September 2026: eine L4 mit 24 GB für 0,59 $ je Stunde und eine RTX 4090 für 0,89 $. Über einen Monat mit 730 Stunden sind das 430,70 $ und 649,70 $ für eine GPU, die dauernd läuft. Das sind keine europäischen Preise, und die Seite ordnet keinem Tarif eine Region zu. Nehmen Sie die Zahl als Größenordnung.

Der Break-even liegt weit über 400 Stunden im Monat. Die dauerhaft laufende L4 kostet so viel wie die API-Rechnung bei 706 Audiostunden im Monat gegenüber Gladia, bei 1,595 gegenüber gpt-transcribe und bei 3,589 gegenüber Speechmatics. Bei 400 Stunden zahlt der Maschinenbauer aus unserem Beispiel 48 bis 244 $ im Monat an eine API und 430,70 $ für die GPU, bevor jemand sie pflegt. Deepgram verkauft außerdem Whisper Large als gehostetes Modell für 0,0048 $ je Minute, das sind 115,20 $ für 400 Stunden. Whisper ohne eigenen Betrieb gibt es also.

Einen besten Fall gibt es. Bei 13 Minuten in 63 Sekunden, laut faster-whisper-README etwa 12,4-facher Echtzeit, braucht eine Audiostunde rund 5 Minuten GPU. Bei 0,59 $ die Stunde sind das etwa 0,048 $ je Audiostunde, rund 40 Prozent des günstigsten API-Preises. Diese Messung lief auf einer anderen Karte, und sie setzt voraus, dass die GPU nie leer läuft. Der Anbieter berechnet eine Leerlaufstunde wie eine Arbeitsstunde.

Was das für Sie heißt: Auslastung und Personalzeit bestimmen die Rechnung, nicht der Stundenpreis. Keine Quelle nennt, was ein Entwickler für Treiber-Updates, fehlgeschlagene Läufe und Modellwechsel kostet. Der Rechner lässt das weg, rechnen Sie Ihre eigenen Stunden darauf.

Belege: [21][22][1][23][4][20]

Schritt 5: Was nach dem Start schiefgehen kann

Eine Studie von 2024 zum Whisper-Dienst von OpenAI aus dem Jahr 2023 fand, dass rund 1 Prozent der Transkriptionen ganze Phrasen oder Sätze enthielten, die im Audio nicht vorkamen. In 38 Prozent dieser Halluzinationen standen ausdrückliche Schäden, etwa Gewalt fortzuschreiben oder falsche Autorität anzudeuten. Ich habe keine eigene Messung an aktuellen Modellen gemacht. Lesen Sie die Zahl als Grund, eine Prüfung einzuplanen, nicht als heutige Fehlerrate.

Die Modellkarte von Whisper rät selbst vom Einsatz in Hochrisikobereichen wie Entscheidungskontexten ab und warnt davor, Aufnahmen von Personen ohne deren Einwilligung zu transkribieren. Ein Transkript, das zur Akte, zum Beschwerdevorgang oder zum Beleg wird, braucht eine menschliche Kontrolle, egal welchen Weg Sie wählen.

Die Pflege unterscheidet sich je Projekt. Die letzte GitHub-Version von Whisper ist v20250625, die letzte Codeänderung vom 31. August 2026. WhisperX hat v3.8.6 am 25. Mai 2026 veröffentlicht, pyannote.audio 4.0.7 am 30. Juni 2026 und FunASR v1.4.16 am 18. September 2026. WhisperX verlangt vorab ein installiertes CUDA-Toolkit 12.8. Was das für Sie heißt: Bestimmen Sie einen Verantwortlichen und einen Prüftermin, denn jedes davon ist ein Python-Paket, das Sie selbst aktualisieren.

Belege: [24][18][25][19][10][26]

Welcher Weg passt, und für wen er nicht passt

Aus dem Vergleich ergeben sich drei Wege: eine gehostete API, ein gehostetes Whisper-Modell oder der eigene Server. Wer vorher fertige Produkte sucht, findet sie im Vergleich KI-Meeting-Protokoll. Das Auswahlwerkzeug unten nennt einen Startpunkt.

Aus den Zahlen leite ich diese Regel ab. Unter etwa 700 Audiostunden im Monat kaufen Sie die Leistung ein. Zwischen dort und rund 3.600 Stunden entscheidet der Preis wenig und die Datenhoheit mehr. Darüber lohnt sich der Eigenbetrieb nur, wenn jemand die Server verantwortet.

Belege: [21][4][27]