Speech-to-Text-API: Whisper-Transkription, verarbeitet in der EU

POST /v1/audio/transcriptions erwartet eine Audiodatei als multipart/form-data und liefert das Gesprochene als Text. Die Datei kommt in das Feld file, die Modell-ID in model, etwa whisper-large-v3-turbo. Gängige Formate wie mp3, mp4, m4a, wav, webm, ogg und flac werden akzeptiert.

Whisper-Modelle erkennen Sprache in knapp hundert Sprachen, darunter alle großen EU-Sprachen, und bestimmen die Sprache automatisch, wenn Sie keine angeben. Die Standardantwort lautet {"text": "..."}. Das reicht oft schon, um das Transkript an eine Zusammenfassung, einen Suchindex oder ein Ticket weiterzugeben.

language erwartet einen ISO-639-1-Code wie de, fr oder nl. Damit steigen Genauigkeit und Tempo bei kurzen oder verrauschten Aufnahmen, bei denen die automatische Erkennung danebenliegen kann. prompt gibt dem Modell Kontext: Namen, Fachbegriffe oder den Text des vorigen Abschnitts, damit „Kubernetes“ oder der Nachname einer Kollegin richtig geschrieben werden.

response_format kann json, text, srt, vtt oder verbose_json sein. Für Untertitel nehmen Sie srt oder vtt. verbose_json liefert erkannte Sprache, Dauer und ein Array segments mit Start- und Endzeiten; mit timestamp_granularities[] auf word erhalten Sie zusätzlich Zeitmarken pro Wort. temperature lassen Sie bei Transkription am besten auf 0.

Ein typischer Ablauf zeichnet ein Support-Telefonat oder Meeting auf, transkribiert es mit verbose_json, um die Zeitmarken zu behalten, und schickt das Transkript an ein Chat-Modell mit der Bitte um Zusammenfassung, Aufgaben und getroffene Zusagen. Speichern Sie die Segmente mit ihren Zeiten, damit man direkt zur passenden Stelle der Aufnahme springen kann.

Große Archive verarbeiten Sie im Hintergrund, statt für jede Datei eine Verbindung offen zu halten. Hinterlegen Sie die Spracheinstellung pro Kunde oder Team und pflegen Sie ein kurzes Glossar mit Namen und Begriffen, das Sie bei jeder Datei in prompt mitgeben.

Dateien über der maximalen Uploadgröße führen zu HTTP 413 oder einem 400-Fehler. Teilen Sie lange Aufnahmen auf, idealerweise an Pausen, und geben Sie den letzten Satz eines Teils als prompt für den nächsten mit, damit der Kontext erhalten bleibt. Die Größengrenze hängt von Ihrem Tarif ab und wird mit Ihnen abgestimmt.

Nicht unterstützte oder beschädigte Dateien ergeben einen 400-Fehler mit Beschreibung des Problems. Lange Stille oder Musik kann Whisper-Modelle dazu bringen, Sätze zu wiederholen oder Text zu erfinden; entfernen Sie Stille vorher oder nutzen Sie Sprachaktivitätserkennung. Sprecherzuordnung ist nicht Teil der Antwort, dafür brauchen Sie einen zusätzlichen Diarisierungsschritt.