OpenAI Whisper API Preise 2026: 0,003 bis 0,006 Dollar pro Minute

OpenAI Whisper API Preise 2026: Die Kurzfassung

Wenn Leute über „Whisper API Preise" sprechen, meinen sie meist eine Zahl: $0,006 pro Minute. Diese Zahl stimmt weiterhin für das ursprüngliche whisper-1 Modell. Aber 2026 ist das nicht mehr die ganze Geschichte, und wer das als einen Einheitspreis behandelt, zahlt am Ende oft doppelt so viel wie nötig.

OpenAI betreibt inzwischen mehrere Spracherkennungsmodelle auf demselben /v1/audio/transcriptions Endpunkt. whisper-1 ist das Legacy-Modell. Daneben gibt es gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize, plus Realtime-Varianten für Live-Audio. Die günstigste OpenAI Transkriptionsoption 2026 ist gpt-4o-mini-transcribe mit $0,003 pro Minute, also die Hälfte des Whisper-Preises. Wer aus Gewohnheit weiterhin auf whisper-1 setzt, zahlt womöglich zu viel.

Hier die komplette Übersicht mit aktuellen Tarifen, entnommen von OpenAIs Preisseite:

gpt-4o-mini

$0.18/hr

whisper-1

$0.36/hr

gpt-4o-transcribe

$0.36/hr

gpt-4o-diarize

$0.36/hr

gpt-realtime

$1.02/hr

realtime-translate

$2.04/hr

OpenAI list price per hour by model, 2026.

Ein kurzer Blick auf diese Tabelle: Für einfache Batch-Transkription zum niedrigsten Preis gewinnt gpt-4o-mini-transcribe. Für die beste Genauigkeit zum gleichen Preis wie Whisper nimmst du gpt-4o-transcribe. Für Sprecherkennung nutzt du die Diarize-Variante. Zum alten whisper-1 solltest du nur greifen, wenn du konkret Wort-Zeitstempel oder Untertiteldateien brauchst, denn die neueren gpt-4o-Modelle haben diese Ausgaben gestrichen.

Ich bin Bello M. Amadou. Ich arbeite an Transkriptions-Tools und habe viele Teams gesehen, die ein Modell nur nach dem Preis auswählen und dann feststellen, dass das günstige nicht die SRT-Datei erzeugen kann, die ihr Videoeditor braucht. Dieser Leitfaden soll dir diesen Umweg ersparen.

Was sich seit den "$0.006-Pauschalpreis"-Zeiten geändert hat

Die ursprüngliche Whisper-API startete als bewusst simples Produkt: ein Modell, ein Preis, keine Stufen. Diese Einfachheit war ihr Verkaufsargument, und viele ältere Artikel beschreiben es immer noch so. Das ist inzwischen überholt.

Ende 2025 brachte OpenAI eine neue Generation von Audio-Modellen auf Basis seiner GPT-4o-Architektur heraus, und sie wurden im Laufe von 2026 produktionsreif. Die praktischen Auswirkungen:

Die Preisuntergrenze ist gesunken. gpt-4o-mini-transcribe kostet $0.003 pro Minute und unterbietet den alten Whisper-Preis um 50 Prozent. Für mengenintensive Arbeiten mit toleranter Genauigkeit, etwa interne Suchindizierung oder Rohentwürfe, ist das der neue Standard.

Genauigkeit verbessert, Preis unverändert. gpt-4o-transcribe kostet dieselben $0,006 pro Minute wie whisper-1, wird von OpenAI aber als präziseres Transkriptionsmodell positioniert. Unabhängige Tester berichten von einer niedrigeren Wortfehlerrate als Whisper v3 bei Benchmark-Audio, wobei die genauen Werte je nach Testsatz variieren. Behandle also jede einzelne Prozentzahl, die du online siehst, als Richtwert, nicht als Evangelium.

Sprecherdiarisierung ist jetzt integriert. Die alte Whisper-API hatte keine eingebaute Möglichkeit, Sprecher zu kennzeichnen. gpt-4o-transcribe-diarize fügt automatische Sprechererkennung hinzu und liefert eine diarized_json-Antwort mit Sprecherlabels und Segment-Zeitstempeln, zum gleichen Minutenpreis. Du kannst sogar kurze Referenzclips für bis zu vier bekannte Sprecher bereitstellen.

Echtzeit-Transkription existiert. Die klassische Whisper-API war reine Stapelverarbeitung. OpenAI bietet jetzt Echtzeit-Transkription über gpt-realtime-whisper ($0,017/Min) und eine Übersetzungs-variante beim Sprechen ($0,034/Min) an, und gpt-4o-transcribe selbst unterstützt Streaming-Antworten. Die pauschale Behauptung, „die Whisper-API kann kein Echtzeit", trifft jetzt nur noch auf whisper-1 im Speziellen zu.

Whisper ist weiterhin da und weiterhin Open Source. OpenAI hat whisper-1 nicht eingestellt. Es bleibt in der Modellliste zu $0,006 pro Minute, und die Open-Source-Whisper-Gewichte sind weiterhin frei von GitHub für Selbsthosting herunterladbar. Whisper wurde nicht umbenannt. Es ist jetzt eine Option unter mehreren.

Das Detail, das die meisten Artikel übersehen: Warum du whisper-1 weiterhin brauchst

Hier ist das Nützlichste in diesem Leitfaden, und es ist der Grund, warum du nicht einfach blind alles auf die günstigeren gpt-4o-Modelle umstellen kannst.

Die gpt-4o-Transkriptionsmodelle haben die Wort-Zeitstempel und Untertitel-Ausgaben gestrichen. Laut OpenAIs Sprache-zu-Text-Leitfaden unterstützt whisper-1 die Antwortformate json, text, srt, verbose_json und vtt sowie den Parameter timestamp_granularities[] für Wort- und Segment-Timing. Die Modelle gpt-4o-transcribe und gpt-4o-mini-transcribe unterstützen nur json und einfaches text. Wenn du verbose_json von einem gpt-4o-Modell anforderst, bekommst du eine Fehlermeldung, die dich auf json oder text verweist.

Was das in der Praxis bedeutet:

Wenn dein Workflow also Untertitel für Videos erstellt, Untertitel für einen YouTube-Upload generiert oder ein Transkript an eine Timeline anpasst, liefern dir die neueren und "besseren" Modelle nicht die Timing-Daten, die du brauchst. Entweder bleibst du bei whisper-1, oder du führst ein gpt-4o-Transkript durch einen separaten Ausrichtungsschritt. Für viele Untertitel-Pipelines ist es schlicht die richtige Entscheidung, bei Whisper zu bleiben, und das ist ein legitimer Grund, warum es nicht verschwindet.

Die 25MB- und 25-Minuten-Dateigrenzen

Jedes OpenAI-Transkriptionsmodell, alt wie neu, teilt sich dieselben zwei harten Grenzen für eine einzelne API-Anfrage:

• Maximale Dateigröße: 25MB. Dateien über 25MB werden sofort abgelehnt.
• Maximale Audiodauer: 1500 Sekunden (25 Minuten). Längeres Audio führt zu einem Fehler wegen Überschreitung der Dauer, wie mehrere Entwickler im OpenAI Community Forum bestätigen.

Die Dauerbegrenzung überrascht viele, denn eine einstündige Podcast-Episode, als MP3 komprimiert, kann locker unter 25MB bleiben und trotzdem die 25-Minuten-Grenze sprengen. Beide Bedingungen müssen erfüllt sein.

So sieht 25MB in verschiedenen Formaten aus:

Beachte: Selbst wenn die Dateigröße 52 Minuten erlaubt (64 kbps MP3), zwingt die 1500-Sekunden-Grenze dich dazu, alles über ~25 Minuten aufzuteilen. Im Jahr 2026 ist also meist die Dauerbegrenzung der entscheidende Faktor, nicht die Dateigröße.

So umgehst du die Grenzen

Komprimiere vor dem Hochladen. Für Sprache reicht es, eine WAV-Datei in ein 64-kbps-MP3 umzuwandeln, das reduziert die Dateigröße um 90 Prozent oder mehr, ohne nennenswerte Genauigkeitsverluste, denn 64 kbps deckt den Frequenzbereich ab, den Spracherkennung tatsächlich nutzt. FFmpeg erledigt das mit einem einzigen Befehl.

Extrahiere zuerst den Ton aus Videos. Eine einstündige MP4-Datei kann 500MB groß sein, aber ihre Tonspur als MP3 liegt oft deutlich unter 25MB. Lade niemals Video in den Transkriptions-Endpoint hoch; die API ignoriert den Videostream ohnehin, du verschwendest also nur Bandbreite und stößt wahrscheinlich unnötig an die Größenbegrenzung.

Teile lange Dateien an Stille-Stellen. Bei allem über 25 Minuten musst du in Chunks aufteilen. Schneide an natürlichen Pausen, nicht mitten im Satz, sonst bekommst du an jeder Grenze abgeschnittene Wörter, die du später wieder zusammensetzen musst. Ziele auf Chunks von etwa 20 bis 24 Minuten, um sicher unter beiden Grenzen zu bleiben.

Überlassen Sie es einem Dienst. Wenn Sie lieber keine Komprimierungs- und Chunking-Pipeline bauen möchten, erledigt ConvertAudioToText die Vorverarbeitung automatisch. Sie laden eine Datei beliebiger Länge hoch, und der Dienst übernimmt Extraktion, Chunking und Wiederzusammenfügung. Wenn Sie speziell Whisper-Ausgabe möchten, sind die OpenAI-API oder Self-Hosting Ihr Weg.

Self-Hosting von Whisper: Kostenlose Software, echte Infrastrukturkosten

Da Whisper Open Source ist, können Sie es auf Ihrer eigenen GPU ausführen und zahlen OpenAI nichts pro Minute. Das Modell ist kostenlos herunterladbar, aber die Rechenleistung und die Ingenieursarbeit sind es nicht, weshalb viele weiterhin $0,006 (oder $0,003) pro Minute zahlen.

Die Gewichte von Whisper large-v3 benötigen eine leistungsfähige GPU, um mit brauchbarer Geschwindigkeit zu laufen. Ungefähre Cloud-Kosten:

Die Geschwindigkeitsspalte bestimmt die tatsächlichen Kosten. Eine A100, die mit 8x Echtzeit transkribiert, schafft acht Audio-Stunden pro GPU-Stunde, also liegen die Kosten pro Audio-Stunde bei etwa $0,15 bis $0,40. Eine T4, die nahe Echtzeit läuft, bringt Sie näher an eine Audio-Stunde pro GPU-Stunde.

Aber die reine GPU-Miete ist der einfache Teil der Rechnung. Self-Hosting bedeutet auch, dass Sie Folgendes besitzen:

• Infrastruktur. Bereitstellung, automatische Skalierung, Failover und Verfügbarkeit. Kein „Deploy und vergessen“-Setup.
• Job-Orchestrierung. Eine Warteschlange, Worker, Wiederholungen und Statusverfolgung. Du baust das Backend nach, das dir eine verwaltete API kostenlos mitliefert.
• Monitoring. GPU-Jobs scheitern auf ihre ganz eigene Art: Speicherfehler, CUDA-Versionskonflikte, Treiber-Drift. Das frisst Entwicklungszeit.
• Speicher und Netzwerk. Audio zu GPU-Knoten zu verschieben und Ergebnisse zu speichern, verursacht Kosten, die man leicht übersieht, wenn man sie in einer Tabelle modelliert.

Wann gewinnt Selbsthosting tatsächlich beim Preis? Als grobe Faustregel: nur bei dauerhaft hohem Volumen:

Meine Voreingenommenheit: Der Break-even sieht auf dem Papier großartig aus und deutlich schlechter, sobald du die Zeit eines Engineers einpreist, um die Pipeline zu bauen und zu betreuen. Ich habe die API-Spalte auf den $0,003 gpt-4o-mini-transcribe-Satz gesenkt, was den Break-even weiter nach hinten verschiebt als die alte $0,006-Rechnung vermuten ließ. Wenn du unter ein paar hundert Stunden pro Monat liegst, ist die verwaltete API fast immer die günstigere Gesamtbetriebskosten, sobald du Menschen mitzählst.

OpenAI vs. die Konkurrenz: Verifizierte Juni-2026-Tarife

Der Preis pro Minute ist die sichtbare Zahl, aber er sagt selten etwas über die Gesamtkosten aus, weil die günstigen Anbieter Extras oft separat abrechnen. Hier sind aktuelle, verifizierte Pay-as-you-go-Tarife für die großen Batch-Transkriptions-APIs.

Quellen: Deepgram-Preise, AssemblyAI-Preise, Google Cloud STT-Preise, AWS Transcribe-Preise, Azure Speech-Preise.

Was die Tabelle dir wirklich sagt

Die Billig-gegen-Whisper-Geschichte hat sich 2026 gedreht. Ältere Vergleiche behaupteten, Deepgram unterbiete Whisper. Mit Deepgram Nova-3 bei aktuell $0,0043 pro Minute für vorab aufgenommenes Audio schlägt es zwar immer noch den $0,006-Satz von whisper-1, aber es unterbietet nicht mehr OpenAIs eigenes $0,003-Modell gpt-4o-mini-transcribe. Die wirklich günstigsten glaubwürdigen Batch-Optionen heute sind OpenAIs Mini-Modell, Azures Batch-Tarif (beide $0,003) und AssemblyAIs Universal-Modell (rund $0,0035 pro Stunde, abgerechnet nach Minuten). Deepgram ist konkurrenzfähig, aber nicht mehr der Preisbrecher, der es beim Batch einmal war.

„Pro Minute“ versteckt die Zusatzkosten. Sowohl Deepgram als auch AssemblyAI stellen Sprecherdiarisierung, Zusammenfassungen und andere Funktionen als separate Positionen in Rechnung. Der Basis-Universal-Tarif von AssemblyAI ist niedrig, aber Sprecheridentifikation, Sentimentanalyse und Zusammenfassung schlagen jeweils mit zusätzlichen Kosten pro Stunde zu Buche. Deepgram verlangt etwa 0,002 $ pro Minute für die Diarisierung. OpenAIs gpt-4o-transcribe-diarize hingegen packt Sprecherlabels in den pauschalen Satz von 0,006 $ ohne Aufschlag, was es zur günstigeren Option machen kann, sobald man tatsächlich Diarisierung braucht.

Enterprise-Anbieter kosten mehr, bieten aber auch mehr. Google Cloud mit 0,016 $ und AWS Transcribe mit 0,024 $ kosten das Drei- bis Vierfache des OpenAI-Mini-Tarifs, liefern dafür aber Streaming, Diarisierung, benutzerdefiniertes Vokabular und echte SLAs. AWS gewährt zudem bei sehr hohem Volumen Mengenrabatte bis auf etwa 0,0078 $ pro Minute, und Google bietet eine „Dynamic Batch“-Stufe für 0,003 $ bei nicht zeitkritischen Aufträgen. Wenn man ohnehin tief in GCP oder AWS investiert ist und die Integration sowie das SLA schätzt, kauft man mit dem höheren Preis echte Vorteile.

Bei der Sprachvielfalt liegen die großen Clouds und OpenAI vorn. Google führt mit über 125 Sprachen, die gpt-4o-Modelle decken mehr als 99 ab, und AWS sowie Azure liegen bei etwa 100. Deepgrams 36 sind deutlich weniger. Wer viele Sprachen über eine einzige API transkribieren möchte, ist bei OpenAI und Google am besten aufgehoben.

Für einen detaillierten Seitenvergleich aller Anbieter siehe unseren Vergleich der Speech-to-Text-API-Preise und das vollständige Ranking der besten Speech-to-Text-APIs. Für einen direkten Vergleich speziell mit Google lies Whisper vs. Google Cloud Speech.

Wann OpenAI-Transkription die richtige Wahl ist

Trotz des breiteren Feldes gibt es klare Fälle, in denen die Audio-Modelle von OpenAI am besten passen.

Eine verwaltete Alternative: ConvertAudioToText-Preise mit kostenloser Stufe und festen Monatsplänen, ohne Abrechnung pro Minute

Mehrsprachige Stapeltranskription zum kleinen Preis. Mit über 99 Sprachen bei den gpt-4o-Modellen und einem Mindestpreis von $0.003 ist es schwer zu übertreffen, Interviews auf Französisch, Japanisch und Portugiesisch über eine einzige API mit konsistenten Preisen zu transkribieren. Die meisten Konkurrenten verlangen entweder mehr für Nicht-Englisch oder unterstützen weniger Sprachen. Du kannst die mehrsprachige Transkription ausprobieren und das Ergebnis dann in eine andere Sprache übersetzen, ohne einen separaten Dienst zu benötigen.

Untertitel- und Zeitstempel-Workflows (mit whisper-1). Wie oben beschrieben: Wenn du SRT, VTT oder Wortzeitangaben brauchst, ist whisper-1 eine der wenigen kostengünstigen APIs, die Untertiteldateien direkt ausgibt. Das ist ein echter, konkreter Grund, sie zu nutzen.

Kleine Projekte und Prototypen. Zehn Stunden Audio kosten $1.80 beim Mini-Modell. Kein Abo, kein Minimum, keine Infrastruktur. Für Forscher, Indie-Entwickler und Produkte in der Frühphase reicht das, um loszulegen. Der einfache Endpunkt und die gute Dokumentation machen aus einem funktionierenden Prototyp schnell eine erledigte Sache, und du kannst die Erfahrung zuerst mit unserem kostenlosen Audio-zu-Text-Tool oder URL-zu-Text gegenprüfen.

Open-Source-Notausgang. Da Whisper Open Source ist, kannst du mit der API für den Komfort starten und später auf selbst gehostetes Whisper mit identischer Transkriptionsqualität umsteigen, wenn dein Volumen das rechtfertigt. Nur wenige proprietäre Dienste bieten diese Kontinuität. Mehr zum Weg ohne API findest du in unserem Leitfaden für kostenlose Audio-zu-Text-Konverter.

Deine monatliche OpenAI-Transkriptionsrechnung schätzen

Kosten bei den zwei gängigen Tarifen, damit du die Zeile auswählen kannst, die zu deiner Modellwahl passt:

Diese Preise decken nur die Transkription ab. Wenn du zusätzlich Diarisierung brauchst, entspricht die Zeile gpt-4o-transcribe-diarize der $0,006-Spalte, ohne Aufpreis. Falls du Zusammenfassungen, Formatierungen oder Untertitel obendrauf benötigst, rechne diese ein oder nutze eine Plattform wie ConvertAudioToText, die Transkription, Zusammenfassungen und Exporte zu einem festen Monatspreis bündelt. Details zu aktuellen Plänen findest du auf der Preisseite.

Häufig gestellte Fragen

Wie viel kostet die OpenAI Whisper API pro Minute im Jahr 2026?

Das ältere Modell whisper-1 kostet weiterhin $0,006 pro Minute ($0,36 pro Stunde), abgerechnet pro Sekunde auf Basis der tatsächlichen Audiodauer. OpenAI bietet aber inzwischen auch gpt-4o-mini-transcribe für $0,003 pro Minute an, also die Hälfte des Whisper-Preises, sowie gpt-4o-transcribe zum gleichen Preis von $0,006, aber mit besserer Genauigkeit. Der „Whisper-API-Preis“ ist also keine einzelne Zahl mehr. Die aktuellen offiziellen Tarife findest du auf OpenAIs Preisseite.

Was ist der Unterschied zwischen whisper-1 und gpt-4o-transcribe?

Beide laufen auf demselben Transkriptions-Endpoint, aber gpt-4o-transcribe ist das neuere, genauere Modell und unterstützt Streaming-Antworten. Der wichtige Haken sind die Ausgabeformate: whisper-1 kann SRT, VTT, verbose_json und Wort-Zeitstempel liefern, während die gpt-4o-Modelle nur json oder Klartext zurückgeben. Wenn du Untertiteldateien oder präzises Wort-Timing brauchst, musst du weiterhin whisper-1 verwenden. Für einfache Transkripte oder sprechermarkierte Ausgaben sind die gpt-4o-Modelle die bessere Wahl.

Gibt es einen kostenlosen Tarif für OpenAI-Transkription?

Nein. Jede Minute wird abgerechnet; es gibt keinen dauerhaft kostenlosen Tarif für irgendeines der Audio-Modelle von OpenAI. Neue OpenAI-Konten erhalten manchmal ein kleines einmaliges Guthaben, das auf Transkription angewendet werden kann, aber das ist ein Einführungsguthaben, kein laufender Gratistarif. Für wirklich kostenlose Transkription kannst du das Open-Source-Whisper-Modell selbst hosten (du zahlst für GPU statt pro Minute) oder ein kostenloses Web-Tool für kleine Aufgaben nutzen.

Kann OpenAI jetzt Sprecher-Diarisierung?

Ja. Die ursprüngliche Whisper-API konnte keine Sprecher kennzeichnen, aber gpt-4o-transcribe-diarize fügt automatische Sprechererkennung hinzu und gibt eine diarized_json-Antwort mit Sprecherlabels und Segment-Zeitstempeln zurück, zum gleichen Preis von $0.006 pro Minute wie Standard-Transkription, ohne Diarisierungsaufschlag. Du kannst optional kurze Referenzclips für bis zu vier bekannte Sprecher bereitstellen, um die Kennzeichnung zu verbessern.

Was ist das Dateigrößenlimit für die OpenAI-Transkriptions-API?

Alle Modelle teilen sich ein maximales Dateigrößenlimit von 25MB und eine maximale Audiodauer von 1500 Sekunden (25 Minuten) pro Anfrage. Du musst beide erfüllen, und die Dauerbegrenzung ist normalerweise die, die zuerst greift, da ein einstündiger Podcast unter 25MB liegen kann, aber trotzdem weit über 25 Minuten hinausgeht. Für längere Dateien extrahiere das Audio aus dem Video, komprimiere es zu MP3 mit niedrigerer Bitrate und teile es an Stille-Stellen in Chunks unter beiden Limits.

Welches ist 2026 günstiger, OpenAI oder Deepgram?

Das hängt vom OpenAI-Modell ab. Deepgram Nova-3 kostet 0,0043 $ pro Minute für vorab aufgenommenes Audio und unterbietet damit den Satz von 0,006 $ bei whisper-1, schlägt aber nicht OpenAIs 0,003 $ teures gpt-4o-mini-transcribe. Deepgram verlangt außerdem etwa 0,002 $ pro Minute extra für Diarisierung, während OpenAIs Diarisierungsmodell pauschal 0,006 $ inklusive Sprecherkennung kostet. Für günstige, einfache Transkription gewinnt also OpenAIs Mini-Modell; bei Streaming ist Deepgram stärker. Rechnen Sie das für Ihren genauen Funktionsumfang durch, statt nur die Listenpreise zu vergleichen.

Kann ich die OpenAI Whisper API für Echtzeit-Transkription nutzen?

Das alte whisper-1-Modell ist reine Stapelverarbeitung und kann keine Echtzeit. OpenAI bietet aber inzwischen gpt-realtime-whisper für 0,017 $ pro Minute und gpt-realtime-translate für 0,034 $ pro Minute für Live-Streaming mit niedriger Latenz an, und gpt-4o-transcribe unterstützt Streaming-Antworten. Die alte Regel, dass Whisper kein Live-Audio kann, gilt also nur noch für das spezifische whisper-1-Modell, nicht für OpenAIs gesamte Transkriptionspalette. Für Live-Untertitelung mit geringster Latenz bleibt Deepgram trotzdem eine starke Alternative zum Vergleich.

Wie schneidet API-Transkription im Vergleich zu einem menschlichen Transkribenten ab?

Menschliche Transkriptionsdienste verlangen typischerweise 1,00 bis 3,00 $ pro Audiominute, also ist die OpenAI API mit 0,003 bis 0,006 $ pro Minute etwa 200 bis 1.000 Mal günstiger. Menschen sind weiterhin überlegen bei schwierigem Audio mit starken Akzenten, überlappenden Sprechern oder erheblichen Hintergrundgeräuschen, wo ihre Genauigkeit schwer zu erreichen ist. Bei sauberen Aufnahmen mit einem einzelnen Sprecher ist der Genauigkeitsunterschied gering und der Kostenunterschied enorm, weshalb die meisten Teams inzwischen KI-Transkription für Entwürfe nutzen und menschliche Überprüfung nur für Audio reservieren, das es wirklich braucht.