OpenAIMistral AIAudio-DuellSpracherkennung
GPT-Realtime-Whispervs.Voxtral Mini Transcribe Realtime
Welches Modell ist besser?
GPT-Realtime-Whisper liegt in unabhängigen Tests leicht vorn, sicher ist der Vorsprung aber nicht.
Nimm GPT-Realtime-Whisper für
Nimm Voxtral Mini Transcribe Realtime 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
GPT-Realtime-Whisper leicht vornGPT-Realtime-Whisper ist in 0 von 16 Teiltests klar vorn und in 7 leicht, Voxtral Mini Transcribe Realtime in 0 klar und in 2 leicht. 7 sind gleichauf.
Coval Time to First Token (TTFT) maximum
niedriger ist besser, Stand 5. November 2026
Coval RTF maximum
niedriger ist besser, Stand 5. November 2026
Coval Word Error Rate (WER) per-sample maximum
niedriger ist besser, Stand 5. November 2026
Alle 16 Teiltests zeigen
| Teiltest | GPT-Realtime-Whisper | Voxtral Mini Transcribe Realtime | Urteil |
|---|---|---|---|
| Coval Time to First Token (TTFT) maximum (niedriger ist besser) | 10.968 ms | 40.858 ms | GPT-Realtime-Whisper leicht vorn |
| Coval RTF maximum (niedriger ist besser) | 5,55 | 15,59 | GPT-Realtime-Whisper leicht vorn |
| Coval Word Error Rate (WER) per-sample maximum (niedriger ist besser) | 100,0 % | 191,7 % | GPT-Realtime-Whisper leicht vorn |
| Coval Time to Final Segment (TTFS) maximum (niedriger ist besser) | 20.386 ms | 35.330 ms | GPT-Realtime-Whisper leicht vorn |
| Coval Time to Final Segment (TTFS) p50 (niedriger ist besser) | 547 ms | 339 ms | Voxtral Mini Transcribe Realtime leicht vorn |
| Coval AudioToFinal maximum (niedriger ist besser) | 30,01 s | 43,02 s | GPT-Realtime-Whisper leicht vorn |
| Coval pooled corpus Word Error Rate (WER) (niedriger ist besser) | 4,0 % | 5,4 % | GPT-Realtime-Whisper leicht vorn |
| Coval Time to Final Segment (TTFS) mean (niedriger ist besser) | 564 ms | 444 ms | Voxtral Mini Transcribe Realtime leicht vorn |
| Coval Word Error Rate (WER) per-sample mean (niedriger ist besser) | 4,5 % | 5,7 % | GPT-Realtime-Whisper leicht vorn |
| Coval Time to First Token (TTFT) mean (niedriger ist besser) | 1.820 ms | 1.872 ms | gleichauf |
| Coval AudioToFinal p50 (niedriger ist besser) | 8,88 s | 8,70 s | gleichauf |
| Coval RTF p50 (niedriger ist besser) | 1,07 | 1,05 | gleichauf |
| Coval Time to First Token (TTFT) p50 (niedriger ist besser) | 1.878 ms | 1.846 ms | gleichauf |
| Coval RTF mean (niedriger ist besser) | 1,09 | 1,07 | gleichauf |
| Coval AudioToFinal mean (niedriger ist besser) | 8,51 s | 8,38 s | gleichauf |
| Coval Word Error Rate (WER) per-sample p50 (niedriger ist besser) | 0,0 % | 0,0 % | gleichauf |
Quelle · zuletzt 5. November 2026
Pipecat STT Benchmark
GPT-Realtime-Whisper leicht vornGPT-Realtime-Whisper ist in 0 von 2 Teiltests klar vorn und in 2 leicht, Voxtral Mini Transcribe Realtime in keinem.
Pipecat STT Benchmark semantic pooled WER
niedriger ist besser, Stand 16. Oktober 2026
Pipecat STT Benchmark semantic WER mean
niedriger ist besser, Stand 16. Oktober 2026
Quelle · zuletzt 16. Oktober 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 | Voxtral Mini Transcribe Realtime | |
|---|---|---|
| Aufgabe | Spracherkennung | Spracherkennung |
| Entwickler | OpenAI | Mistral AI |
| Status | Aktiv | Aktiv |
| Gewichte | proprietär | offen |
| Läuft lokal | nein | ja |
| Preis | 0,017 $ pro Audiominute | k. A. |
| Beliebtheit (von 100) | 34 | 18 |