Direkte Antwort — worin unterscheiden sich Apple Diktat und OpenAI Whisper? Apple Diktat ist eine Systemfunktion von macOS: Apple dokumentiert ihr Verhalten und ihre Sprachraumliste, nicht ihre Architektur oder ihre Fehlerraten. Whisper ist ein Encoder-Decoder-Modell mit offenen Gewichten von OpenAI, trainiert auf 680.000 Stunden schwach überwachter Audiodaten und in sechs Größen veröffentlicht, die Sie selbst prüfen und ausführen können. Das eine ist eine fertige Produktoberfläche; das andere ist ein Modell, auf dem Produkte aufgebaut werden.
Wer nach Apple Diktat vs. OpenAI Whisper sucht, bekommt meist eine andere Frage beantwortet: welche App man installieren sollte. Diese Entscheidung verdient eine sorgfältige Abwägung, die wir getrennt behandeln — in einem Beitrag darüber, ob das integrierte Tool für Ihren Arbeitsalltag ausreicht.
Dieser Artikel beantwortet die engere Frage darunter. Wie unterscheiden sich die beiden Erkennungs-Engines tatsächlich — in der Architektur, in den Trainingsdaten, in der Art, wie sie ihre Sprachabdeckung zählen, in den Modellgrößen, die sie offenlegen, und darin, was eine veröffentlichte Genauigkeitszahl bedeutet und was nicht?
Was genau ist Apple Diktat, und was ist Whisper?
Es handelt sich nicht um dieselbe Art von Sache, weshalb ein direkter Vergleich schwieriger ist, als er aussieht. Das eine ist eine Funktion; das andere ist ein Modell.
Apple Diktat ist Sprache-zu-Text, das fest in macOS integriert ist. Sie drücken eine Taste, sprechen, und der Text erscheint in dem Feld, in dem Sie gerade geschrieben haben. Apples Support-Dokumentation beschreibt, was die Funktion für Sie tut und wo sie verfügbar ist, und verweist für die Sprachliste auf die macOS-Seite zur Funktionsverfügbarkeit.
OpenAI Whisper ist ein Spracherkennungsmodell. Es handelt sich um einen einzelnen Encoder-Decoder-Transformer, der Sprachidentifikation, Transkription und Übersetzung ins Englische leistet, veröffentlicht mit offenen Gewichten und Inferenzcode. Es hat keine Oberfläche, keinen Hotkey und kein Zwischenablage-Verhalten. Das gehört zu der jeweiligen Anwendung, die es umschließt.
Diese Asymmetrie zieht sich durch jeden Vergleich weiter unten. Sie nutzen Apple Diktat. Auf Whisper bauen Sie auf.
Wie unterscheiden sich die beiden Engines unter der Haube?
Der klarste Unterschied ist nicht die Genauigkeit — es ist die Offenlegung. Whispers Architektur, Trainingsdatenvolumen, Modellgrößen und Benchmark-Ergebnisse sind veröffentlicht; Apples sind es nicht.
Das Whisper-Paper beschreibt ein Modell, trainiert auf „680.000 Stunden mehrsprachiger und multitask-orientierter Supervision”, unter Verwendung schwacher Supervision statt eines handkuratierten Korpus. Apple veröffentlicht keine vergleichbare Zahl für Diktat, keine Architekturbeschreibung und keine Benchmark-Tabelle.
| Technischer Aspekt | Apple Diktat (macOS) | OpenAI Whisper |
|---|---|---|
| Was es ist | Eine Systemfunktion in macOS | Ein Spracherkennungsmodell mit offenen Gewichten |
| Architektur veröffentlicht | ❌ Nicht öffentlich dokumentiert | ✅ Encoder-Decoder-Transformer (arXiv:2212.04356) |
| Trainingsdatenvolumen offengelegt | ❌ Nicht veröffentlicht | ✅ 680.000 Stunden schwach überwachter Audiodaten |
| Abdeckung gezählt in | Sprachräumen — 63 Diktat-Einträge auf macOS Tahoe | Sprachen — 99 für large-v3 gelistet |
| Wählbare Modellgrößen | ❌ Keine verfügbar | ✅ Sechs, von 39 Mio. bis 1.550 Mio. Parametern |
| Veröffentlichte Fehlerraten | ❌ Keine | ✅ Je benanntem Benchmark, mit angegebenen Bedingungen |
| Audioverarbeitung | Nicht dokumentiert | 30-Sekunden-Rezeptionsfeld, gleitendes Fenster |
| Bekannte Einschränkungen dokumentiert | ❌ Nicht veröffentlicht | ✅ Halluzination und Akzent-Ungleichheit in der Model Card angegeben |
| Wer liefert die Oberfläche | Apple | Wer auch immer die Anwendung baut |
Nichts davon macht die eine Engine besser als die andere. Es macht sie unterschiedlich erkennbar. Wenn Sie eine Werkzeugwahl gegenüber einem Compliance-Beauftragten, einer Sicherheitsprüfung oder Ihrem eigenen zukünftigen Ich begründen müssen, ist diese Asymmetrie die ganze Geschichte.
Warum lassen sich Apple Diktat und Whisper nicht bei der Genauigkeit vergleichen?
Weil nur eine Seite Zahlen veröffentlicht, und die Zahlen, die es gibt, gehören zu bestimmten Benchmarks und nicht zum Modell im Allgemeinen. Jeder Vergleich der Genauigkeit von Apple Diktat vs. Whisper, der als zwei ordentliche Prozentzahlen nebeneinander dargestellt wird, hat mindestens eine davon erfunden.
Whispers eigene Autoren sind hier ungewöhnlich offen. Das Paper stellt fest, dass „das beste Zero-Shot-Whisper-Modell eine relativ unauffällige LibriSpeech-Clean-Test-WER von 2,5” erreicht — und das wird gesagt, um einen Punkt zu machen: Ein sauberer, vorgelesener, rein englischer Benchmark ist nicht der Ort, an dem sich der Wert des Modells zeigt. Robustheit über unordentliches Audio aus der echten Welt hingegen schon.
Lesen Sie diese Zahl mit ihrem vollständigen Geltungsbereich: 2,5 % Wortfehlerrate, auf LibriSpeech test-clean, englische Vorlesesprache, sauberes Audio, Zero-Shot ohne Feinabstimmung auf diesen Benchmark. Ändern Sie eine dieser fünf Bedingungen, und die Zahl verschiebt sich.
Die Model Card für large-v3 dokumentiert auch die Fehlermodi. Sie besagt, dass Vorhersagen „Texte enthalten können, die im Audio-Input tatsächlich nicht gesprochen wurden (d. h. Halluzination)”, und dass die Modelle „unterschiedliche Leistung bei verschiedenen Akzenten und Dialekten bestimmter Sprachen zeigen”. Das ist ein Anbieter, der seine eigenen Schwachstellen veröffentlicht.
Apples Diktat-Dokumentation enthält kein vergleichbares Material — keine WER, keinen Benchmark, keine genannte Einschränkung außer der Verfügbarkeit. Diese Abwesenheit ist kein Beleg für schlechte Genauigkeit. Sie ist ein Beleg dafür, dass niemand außerhalb von Apple ehrlich eine Zahl zitieren kann. Wenn Sie die zugrunde liegende Methode statt des Marketings suchen, behandeln wir wie die Genauigkeit der Spracherkennung in der Praxis gemessen wird, einschließlich, wie Sie einen Wortfehlerraten-Test für Ihr eigenes Diktat durchführen.
Wie unterscheidet sich die Sprachabdeckung — 99 Sprachen oder 63 Sprachräume?
Die beiden Systeme zählen in unterschiedlichen Einheiten, sodass die Schlagzeilenzahlen nicht vergleichbar sind. Die large-v3-Model-Card listet 99 Sprachen. Apples macOS-Tahoe-Seite zur Funktionsverfügbarkeit listet Diktat pro Sprachraum.
Im August 2026 gelesen, führt diese Apple-Seite 63 Diktat-Einträge. Fasst man die regionalen Varianten zusammen — fünfzehn englische Einträge, fünf spanische, vier französische, drei deutsche —, landet man bei etwa 34 unterschiedlichen Sprachen. Apple merkt zudem an, dass Diktat „nicht in allen Sprachen oder Regionen verfügbar ist und Funktionen variieren können”, und dass On-Device- und modusloses Diktat nach dem Download eines Sprachmodells eine noch engere Teilmenge abdecken.
Wichtiger als beide Zahlen: Keine der beiden Listen verspricht gleiche Qualität über alle Einträge hinweg. Das Whisper-Paper beziffert, wie ungleich genau — was selten ist. Es besagt, dass von den 680.000 Trainingsstunden „117.000 Stunden 96 andere Sprachen abdecken”, und dass weitere „125.000 Stunden X→en-Übersetzungsdaten” enthalten sind.
| Whisper-Trainingsaudio (680.000 Stunden insgesamt) | Stunden |
|---|---|
| Englische Spracherkennung | ~438.000 |
| 96 andere Sprachen | 117.000 |
| X→Englisch-Übersetzung | 125.000 |
Das Paper nennt die letzten beiden Zahlen direkt; die erste ist schlicht das, was vom Gesamtwert übrig bleibt (680.000 − 117.000 − 125.000 = 438.000). Etwa zwei Drittel der Trainingsaudiodaten sind Englisch.
Dieses Ungleichgewicht hat eine gemessene Folge. Das Paper berichtet von „einem starken quadrierten Korrelationskoeffizienten von 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem Logarithmus der Trainingsdatenmenge pro Sprache”, und schätzt anhand dieser Anpassung, dass sich „die WER bei jeder 16-fachen Zunahme der Trainingsdaten halbiert”.
Eine Sprache, die im dünnen Ausläufer der Trainingsverteilung liegt, wird also messbar schlechter bedient, und das Paper sagt das offen. Apple gibt Ihnen eine Liste aus Häkchen und Kreuzen; Whisper gibt Ihnen eine Kurve. Keines von beiden sagt Ihnen, dass Ihre spezifische Sprache gut funktionieren wird — aber nur eines lässt Sie nachvollziehen, warum das vielleicht nicht der Fall ist.
Warum können Sie bei Whisper überhaupt eine Modellgröße wählen?
Weil Whisper kein einzelnes Modell ist, sondern eine Familie, und der Kompromiss zwischen Genauigkeit und Latenz an denjenigen weitergegeben wird, der es einsetzt. Das openai/whisper-README veröffentlicht sechs Größen, von tiny mit 39 Mio. Parametern bis large mit 1.550 Mio., jede mit eigenem Speicherbedarf und einer relativen Geschwindigkeit, ausgedrückt gegenüber dem large-Modell.
Die Spanne ist groß. Das Repository setzt tiny bei etwa der zehnfachen Geschwindigkeit von large an; die turbo-Variante liegt bei 809 Mio. Parametern und etwa der achtfachen Geschwindigkeit von large — deshalb taucht sie so häufig in Diktier-Tools auf, wo Latenz bei jeder Äußerung spürbar ist statt nur einmal pro Datei.
macOS bietet für Diktat keinen solchen Regler. Sie bekommen, was Apple für Ihren Sprachraum ausliefert, abgestimmt auf Apples eigene Balance zwischen Geschwindigkeit und Qualität, und es gibt keine Einstellung, die das eine gegen das andere eintauscht.
Kein Ansatz ist automatisch der richtige. Eine feste, gut abgestimmte Konfiguration nimmt den meisten Menschen eine Entscheidung ab, die sie gar nicht treffen wollen; ein zugänglicher Regler zählt, wenn Ihre Hardware oder Ihre Wartetoleranz ungewöhnlich ist. Wenn Sie die vollständige Auswahl mit Speicherangaben pro Größe möchten, behandelt unser Schritt-für-Schritt-Leitfaden zum whisper.cpp-Build, wie Sie die Laufzeitumgebung selbst kompilieren und die Gewichte herunterladen.
Was bedeutet Whispers 30-Sekunden-Fenster in der Praxis?
Whisper verarbeitet Audio beliebiger Länge nicht in einem einzigen Durchgang. Es hat ein 30-Sekunden-Rezeptionsfeld, und die Referenzimplementierung behandelt längere Aufnahmen, indem sie ein Fenster über die Datei bewegt.
Das Repository sagt es direkt: Die transcribe()-Methode „liest die gesamte Datei und verarbeitet das Audio mit einem gleitenden 30-Sekunden-Fenster, wobei sie auf jedem Fenster autoregressive Sequence-to-Sequence-Vorhersagen durchführt”.
Für die Batch-Transkription einer fertigen Datei ist das ein Implementierungsdetail. Für Live-Diktat ist es das zentrale technische Problem, denn alles, was das Modell nicht erledigt, muss darum herum gebaut werden:
- Entscheiden, wann eine gesprochene Äußerung beendet ist und ein Chunk gesendet werden soll.
- Aufeinanderfolgende Fenster zusammenfügen, ohne an den Nahtstellen Wörter zu verlieren oder zu verdoppeln.
- Entscheiden, ob vorläufiger Text angezeigt oder auf ein stabiles Ergebnis gewartet wird.
- Den Umlauf kurz genug halten, damit Sprechen sich wie Tippen anfühlt statt wie Warten.
Deshalb können sich zwei Anwendungen, die bytegleiche Whisper-Gewichte ausführen, völlig unterschiedlich anfühlen. Die Gewichte setzen die Genauigkeitsobergrenze. Der Wrapper entscheidet, ob Sie sie jemals erreichen.
Was fügt eine Whisper-basierte App dem Modell hinzu?
Alles aus dem vorigen Abschnitt, und das ist keine kleine Liste. Weesper Neon Flow führt Whisper lokal über whisper.cpp auf macOS und Windows aus, mit Metal-Beschleunigung auf dem Mac — die Engine ist die oben beschriebene offene, und das Produkt ist der Wrapper darum herum.
In der Praxis bedeutet das: kein Compiler, keine Modelldateien, die von Hand verwaltet werden müssen, kein Chunking- oder Stitching-Code zu schreiben — ein Hotkey, Sprache, und Text in der Anwendung, in der Sie ohnehin schon waren, wobei das Audio das Gerät nie verlässt. Die Abdeckung reicht bis zu 55+ Sprachen, und die Preise liegen bei 5 €/Monat, 45 €/Jahr oder einmalig 99 €, mit 15 Tagen kostenloser Testphase.
Wenn Sie die Erkennungsqualität eines offenen, dokumentierten Modells wollen, ohne ein Wochenende mit dem Zusammenbauen zu verbringen, laden Sie Weesper Neon Flow herunter und testen Sie es an Ihrer eigenen Stimme, Ihrem eigenen Akzent und Ihrem eigenen Vokabular. Einrichtungsfragen beantwortet das Hilfe-Center.
Was dieser Vergleich tatsächlich klärt
Apple Diktat und Whisper sind nicht zwei Produkte, die um eine einzelne Genauigkeitszahl konkurrieren. Sie sind eine geschlossene Funktion und ein offenes Modell, und fast jeder praktische Unterschied folgt daraus: was Sie messen können, was Sie wählen können, was Sie prüfen können, bevor Sie ihm eine vertrauliche Aufnahme anvertrauen.
Wenn Ihre Arbeit eine dokumentierte Engine braucht, eine Modellgröße, die Sie kontrollieren, und Audio, das auf Ihrem Gerät bleibt, ist der offene Weg derjenige, der Fragen beantwortet. Starten Sie die 15-tägige kostenlose Testphase und beurteilen Sie die Engine anhand Ihrer eigenen Aufnahmen statt anhand irgendeiner Benchmark-Tabelle.