OpenAIDeepgramAudio-DuellSpracherkennung
GPT-Realtime-Whispervs.Flux
Welches Modell ist besser?
GPT-Realtime-Whisper und Flux liegen je nach Test vorn.
Nimm GPT-Realtime-Whisper für
Nimm Flux 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
Flux leicht vornFlux ist in 0 von 16 Teiltests klar vorn und in 13 leicht, GPT-Realtime-Whisper in 0 klar und in 3 leicht.
Coval Word Error Rate (WER) per-sample 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 Final Segment (TTFS) p50
niedriger ist besser, Stand 5. November 2026
Alle 16 Teiltests zeigen
| Teiltest | GPT-Realtime-Whisper | Flux | Urteil |
|---|---|---|---|
| Coval Word Error Rate (WER) per-sample p50 (niedriger ist besser) | 0,0 % | 3,1 % | GPT-Realtime-Whisper leicht vorn |
| Coval Time to Final Segment (TTFS) mean (niedriger ist besser) | 564 ms | 102 ms | Flux leicht vorn |
| Coval Time to Final Segment (TTFS) p50 (niedriger ist besser) | 547 ms | 99 ms | Flux leicht vorn |
| Coval Time to First Token (TTFT) maximum (niedriger ist besser) | 10.968 ms | 4.616 ms | Flux leicht vorn |
| Coval AudioToFinal maximum (niedriger ist besser) | 30,01 s | 17,25 s | Flux leicht vorn |
| Coval Time to First Token (TTFT) mean (niedriger ist besser) | 1.820 ms | 1.095 ms | Flux leicht vorn |
| Coval Time to First Token (TTFT) p50 (niedriger ist besser) | 1.878 ms | 1.172 ms | Flux leicht vorn |
| Coval Time to Final Segment (TTFS) maximum (niedriger ist besser) | 20.386 ms | 13.993 ms | Flux leicht vorn |
| Coval pooled corpus Word Error Rate (WER) (niedriger ist besser) | 4,0 % | 5,7 % | GPT-Realtime-Whisper leicht vorn |
| Coval Word Error Rate (WER) per-sample mean (niedriger ist besser) | 4,5 % | 6,4 % | GPT-Realtime-Whisper leicht vorn |
| Coval Word Error Rate (WER) per-sample maximum (niedriger ist besser) | 100,0 % | 92,3 % | Flux leicht vorn |
| Coval RTF mean (niedriger ist besser) | 1,09 | 1,02 | Flux leicht vorn |
| Coval AudioToFinal mean (niedriger ist besser) | 8,51 s | 8,05 s | Flux leicht vorn |
| Coval AudioToFinal p50 (niedriger ist besser) | 8,88 s | 8,42 s | Flux leicht vorn |
| Coval RTF p50 (niedriger ist besser) | 1,07 | 1,01 | Flux leicht vorn |
| Coval RTF maximum (niedriger ist besser) | 5,55 | 5,29 | Flux leicht vorn |
Quelle · zuletzt 5. November 2026
Artificial Analysis
GPT-Realtime-Whisper leicht vornArtificial Analysis AA-WER Streaming (final transcription)
niedriger ist besser, Stand 15. Oktober 2026
Quelle · zuletzt 15. Oktober 2026
Alle Daten im Vergleich
Preise stehen wörtlich wie beim Hersteller, weil Audiomodelle pro Minute, Zeichen oder Token abrechnen.
| GPT-Realtime-Whisper | Flux | |
|---|---|---|
| Aufgabe | Spracherkennung | Spracherkennung |
| Entwickler | OpenAI | Deepgram |
| Status | Aktiv | Aktiv |
| Gewichte | proprietär | proprietär |
| Läuft lokal | nein | nein |
| Preis | 0,017 $ pro Audiominute | k. A. |
| Beliebtheit (von 100) | 34 | 37 |