OpenAICartesiaAudio-DuellSpracherkennung
GPT-Realtime-Whispervs.Cartesia Ink-2
Welches Modell ist besser?
Cartesia Ink-2 liegt in unabhängigen Tests leicht vorn, sicher ist der Vorsprung aber nicht.
Nimm GPT-Realtime-Whisper für
Nimm Cartesia Ink-2 für
Gemeinsame Tests
Nur unabhängige Auswerter und Bestenlisten, je Auswerter der neueste gemeinsame Stand. Mit 95-%-Bereichen zählt ein Vorsprung, wenn sie sich nicht überlappen; bei Trefferquoten, wenn er im 95-%-Test hält. Ohne Unsicherheitsangabe höchstens „leicht vorn“.
Coval
Cartesia Ink-2 leicht vornCartesia Ink-2 ist in 0 von 16 Teiltests klar vorn und in 10 leicht, GPT-Realtime-Whisper in 0 klar und in 5 leicht. 1 ist gleichauf.
Coval Time to Final Segment (TTFS) p50
niedriger ist besser, Stand 5. November 2026
Coval Time to Final Segment (TTFS) mean
niedriger ist besser, Stand 5. November 2026
Coval Time to First Token (TTFT) maximum
niedriger ist besser, Stand 5. November 2026
Alle 16 Teiltests zeigen
| Teiltest | GPT-Realtime-Whisper | Cartesia Ink-2 | Urteil |
|---|---|---|---|
| Coval Time to Final Segment (TTFS) p50 (niedriger ist besser) | 547 ms | 139 ms | Cartesia Ink-2 leicht vorn |
| Coval Time to Final Segment (TTFS) mean (niedriger ist besser) | 564 ms | 145 ms | Cartesia Ink-2 leicht vorn |
| Coval Time to First Token (TTFT) maximum (niedriger ist besser) | 10.968 ms | 25.200 ms | GPT-Realtime-Whisper leicht vorn |
| Coval Time to Final Segment (TTFS) maximum (niedriger ist besser) | 20.386 ms | 31.136 ms | GPT-Realtime-Whisper leicht vorn |
| Coval Word Error Rate (WER) per-sample maximum (niedriger ist besser) | 100,0 % | 69,0 % | Cartesia Ink-2 leicht vorn |
| Coval AudioToFinal maximum (niedriger ist besser) | 30,01 s | 39,52 s | GPT-Realtime-Whisper leicht vorn |
| Coval RTF maximum (niedriger ist besser) | 5,55 | 4,71 | Cartesia Ink-2 leicht vorn |
| Coval Word Error Rate (WER) per-sample mean (niedriger ist besser) | 4,5 % | 3,9 % | Cartesia Ink-2 leicht vorn |
| Coval pooled corpus Word Error Rate (WER) (niedriger ist besser) | 4,0 % | 3,4 % | Cartesia Ink-2 leicht vorn |
| Coval Time to First Token (TTFT) mean (niedriger ist besser) | 1.820 ms | 2.033 ms | GPT-Realtime-Whisper leicht vorn |
| Coval Time to First Token (TTFT) p50 (niedriger ist besser) | 1.878 ms | 2.017 ms | GPT-Realtime-Whisper leicht vorn |
| Coval RTF mean (niedriger ist besser) | 1,09 | 1,02 | Cartesia Ink-2 leicht vorn |
| Coval AudioToFinal mean (niedriger ist besser) | 8,51 s | 8,09 s | Cartesia Ink-2 leicht vorn |
| Coval AudioToFinal p50 (niedriger ist besser) | 8,88 s | 8,46 s | Cartesia Ink-2 leicht vorn |
| Coval RTF p50 (niedriger ist besser) | 1,07 | 1,02 | Cartesia Ink-2 leicht vorn |
| Coval Word Error Rate (WER) per-sample p50 (niedriger ist besser) | 0,0 % | 0,0 % | gleichauf |
Quelle · zuletzt 5. November 2026
Alle Daten im Vergleich
Preise stehen wörtlich wie beim Hersteller, weil Audiomodelle pro Minute, Zeichen oder Token abrechnen.
| GPT-Realtime-Whisper | Cartesia Ink-2 | |
|---|---|---|
| Aufgabe | Spracherkennung | Spracherkennung |
| Entwickler | OpenAI | Cartesia |
| Status | Aktiv | Aktiv |
| Veröffentlicht | k. A. | 9. Juli 2026 |
| Gewichte | proprietär | proprietär |
| Läuft lokal | nein | nein |
| Preis | 0,017 $ pro Audiominute | 3 Credits pro Audiosekunde; der Dollarpreis und Mehrverbrauch hängen vom Tarif ab |
| Beliebtheit (von 100) | 34 | 0 |