Transkribieren mit Distil-Whisper
5.8%
WER
99
Languages
48.0x
Speed
MIT
License
Über Distil-Whisper
Distil-Whisper is a distilled version of Whisper created by Hugging Face. It reduces the model size by 49% and achieves 6x faster inference while maintaining within 1% WER of the original Whisper Large V2 on out-of-distribution evaluation sets.
Model Info
- ProviderHugging Face
- Architecture-
- LicenseMIT
- UpdatedMar 2026
Häufig gestellte Fragen
Distil-Whisper ist ein Sprach-zu-Text-Modell von Hugging Face. STT.ai Hosts Distil-Whisper auf unserer GPU-Infrastruktur, so dass Sie es ohne Bereitstellung Ihrer eigenen Hardware nutzen können – laden Sie Audio oder Video hoch und wählen Sie Distil-Whisper vom Modellpicker.
Auf Standard-Benchmarks erreicht Distil-Whisper rund 5.8% Word Error Rate. Real-Welt-Genauigkeit hängt von Audio-Qualität, Akzent und Sprache; für laute oder akzentuierte Aufnahmen, erwarten ein paar Prozentpunkte höher WER.
Distil-Whisper läuft auf STT.ai's Free-Tier - jeder Besucher erhält 600 Minuten/Monat ohne Kosten. Bezahlte Pläne fügen mehr pro-Datei Grenzen, private Transkripte, und Priorität Warteschlange.
Distil-Whisper wird unter MIT veröffentlicht, einer permissiven Open-Source-Lizenz. Sie können Distil-Whisper auf Ihrer eigenen Hardware selbst hosten oder unsere gehostete Version verwenden – beide sind kommerziell nutzbar.
Distil-Whisper unterstützt 99 Sprachen. Auto-Erkennung wählt die richtige Sprache für die meisten Audio-; Sie können es auch manuell für einen kleinen Genauigkeitsheber angeben.
Distil-Whisper verarbeitet Audio bei ca. 48.0x Echtzeit auf unseren GPUs. Eine 1-stündige Audiodatei endet in weniger als 1 Minuten; längere Dateien stehen Schlange und benachrichtigen per E-Mail, wenn getan.
Distil-Whisper hat 756M Parameter. Größere Modelle neigen dazu, genauer, aber langsamer zu sein; STT.ai Hosts Distil-Whisper auf GPU, so dass die Parameteranzahl Ihre clientseitige Leistung nicht beeinflusst.
Distil-Whisper akzeptiert jedes Format STT.ai unterstützt — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI und andere. Ausgabe als TXT, SRT, VTT, DOCX, JSON oder PDF.
Ja. Die Lautsprecherdiarisierung läuft bei jeder Transkription neben Distil-Whisper – jeder Lautsprecher ist beschriftet und Sie können sie anschließend im Editor umbenennen.
Ja. Distil-Whisper läuft in unserer verwalteten Umgebung – Audio wird standardmäßig verarbeitet und gelöscht und nie ohne explizites Opt-In zum Training verwendet. Pro-Pläne fügen Client-seitige Verschlüsselung für Transkripte in Ruhe hinzu.
Verwenden Sie das Vergleichs-stt-Tool, um Distil-Whisper gegen jedes andere unterstützte Modell auf dem gleichen Audio laufen zu lassen – Sie sehen WER, Segmentanzahl, Lautsprecheretiketten und Konfidenzwerte nebeneinander. Der Distil-Whisper vs Whisper Large V3 Vergleich ist der am häufigsten ausgeführte.
Ja. Geben Sie "distil-whisper" als Modellparameter auf dem Endpunkt /v1/transcribe an. Python und Node.js SDKs enthalten Distil-Whisper Beispiele. Freie API-Ebene enthält 100 Minuten/Monat.
Ja. Da Distil-Whisper MIT-lizenziert ist, können Sie es selbst hosten. STT.ai Open-Source-Seite listet die Projekt-Repo und Gewichte. Die meisten Produktionsteams verwenden unsere gehostete Version, um GPU Beschaffung, Modell-Swaps und Ops überspringen.