Schnell, Ausgewogen, Beste: welche Qualitätsstufe?

Was die drei Stufen sind

Jeder Upload läuft über eine von drei Stufen, und jede ist ein anderes Modell:

• Schnell — Whisper large-v3-turbo. Eine destillierte Fassung des großen Modells: weniger Decoder-Schichten, der Großteil der Genauigkeit, ein Bruchteil der Zeit.
• Ausgewogen — Whisper large-v3. Das vollständige Modell und die Voreinstellung.
• Beste — GPT-4o Transcribe. Eine neuere Architektur, die mit Akzenten, Durcheinanderreden und Störgeräuschen besser umgeht als Whisper.

Alle drei liefern Zeitmarken auf Wortebene: Der Player läuft überall mit, und der Untertitel-Export funktioniert auf jeder Stufe gleich.

Was sich wirklich ändert

Bei sauberem Ton wenig. Eine einzelne Person mit ordentlichem Mikrofon in einem ruhigen Raum landet auf allen drei Stufen fast am selben Punkt — genau deshalb ist das Warten auf Beste bei dieser Datei verschenkt.

Der Abstand öffnet sich, wo der Ton schwierig wird: überlappende Rede, starke Akzente, Hintergrundgeräusche, Fachbegriffe, Eigennamen. Schnell lässt dann kurze Einwürfe fallen und rät bei Namen. Beste behält sie.

Wählen, ohne lange nachzudenken

Lassen Sie es auf Ausgewogen. Es ist voreingestellt, weil es meistens richtig ist.

Greifen Sie zu Schnell, wenn Sie den Kern einer langen Aufnahme schnell sehen wollen oder der Ton sauber und die Sache unkritisch ist: Sprachnotiz, Soloaufnahme, etwas zum Überfliegen.

Greifen Sie zu Beste, wenn ein Fehler teuer wird: Interviews, die Sie zitieren, juristische oder medizinische Aufnahmen, schwere Akzente, mehrere Personen, die durcheinanderreden — oder alles, was Sie als Untertitel veröffentlichen.

Sie können eine Datei jederzeit auf einer höheren Stufe erneut laufen lassen. Das Originalaudio bleibt so lange verfügbar, wie Ihr Tarif es aufbewahrt.