Apple SpeechAnalyzer vs. Whisper (2026): Was der Benchmark ausgelassen hat

Die Kurzantwort: In dem Benchmark, den alle geteilt haben, hat Apples neuer On-Device-SpeechAnalyzer Whisper tatsächlich geschlagen – 2,12 % Wortfehlerrate gegen 3,74 % auf LibriSpeech test-clean. Getestet wurde dabei allerdings Whisper Small, auf englischen Hörbüchern, auf einem Mac. Whisper Large V3 oder Large V3 Turbo, also die Modelle, die eine On-Device-App auf dem iPhone wirklich lädt, kamen nie vor – ebenso wenig ein Meeting, ein Akzent oder eine der rund 99 weiteren Sprachen von Whisper. Apples Engine ist schnell, genau und kostenlos, innerhalb der 22 Sprachen, die sie unterstützt. Whisper deckt etwa fünfmal so viele ab.

Alle Zahlen unten stammen aus dem Bericht des Benchmark-Autors selbst, aus OpenAIs veröffentlichten Papers und Modellkarten, aus dem Open ASR Leaderboard oder aus Apples Entwicklerdokumentation – alles am Ende verlinkt. Geschrieben hat diesen Text das LoroNote-Team am 23. August 2026. LoroNote führt Whisper Large V3 Turbo auf dem Gerät aus, wir haben in diesem Vergleich also ein Eigeninteresse. Genau deshalb ist hier jede Zahl die Messung von jemand anderem, nicht unsere eigene.

Was SpeechAnalyzer eigentlich ist

SpeechAnalyzer ist das Sprach-Framework, das Apple auf der WWDC 2025 vorgestellt und mit iOS 26 ausgeliefert hat. Es ersetzt SFSpeechRecognizer, die in die Jahre gekommene API, die ein Jahrzehnt lang die meiste Diktierfunktion von Drittanbieter-Apps auf iOS getragen hat.

Zwei öffentliche Module sind relevant:

• SpeechTranscriber wandelt Sprache in Text um.
• SpeechDetector erkennt, wo in einem Audiostream gesprochen wird.

Alles läuft auf dem Gerät. Die Sprachpakete werden über den System-Asset-Katalog geladen, statt von jeder App einzeln mitgeliefert zu werden – deshalb wächst die Downloadgröße einer App, die diese API nutzt, so gut wie nicht. Für Sprachen, die SpeechTranscriber nicht abdeckt, stellt Apple DictationTranscriber als Rückfalloption bereit.

Eine harte Voraussetzung überspringen die meisten Vergleiche: SpeechAnalyzer setzt iOS 26 oder neuer voraus und ist nicht abwärtskompatibel. Auf einem iPhone mit iOS 18 existiert die Funktion schlicht nicht.

Der Benchmark, den alle zitiert haben

Die Zahlen, die sich im Juli 2026 durch die Tech-Medien verbreitet haben, stammen aus einer einzelnen Auswertung eines Entwicklers. Gemessen wurde Folgendes:

Und die Ergebnisse:

Zwei Punkte gehören hier klar gesagt. Apples Vorsprung gegenüber der eigenen alten API ist gewaltig – rund 75 % weniger Fehler, und für alle, die auf SFSpeechRecognizer aufgebaut haben, ist das die eigentliche Nachricht. Und Apple hat jedes getestete Whisper-Modell tatsächlich geschlagen.

Das Problem ist, welche Modelle getestet wurden.

Drei Dinge, die der Benchmark nicht gemessen hat

1. Die Whisper-Modelle, die On-Device-Apps wirklich ausführen

Whisper Small ist ein 460-MB-Modell. Es ist nicht das, was eine ernsthafte Transkriptions-App auf ein aktuelles iPhone lädt. LoroNote führt Large V3 Turbo aus: 809 Millionen Parameter, mit einem von 32 auf 4 Schichten reduzierten Decoder.

Der Benchmark hörte vor Medium, Large und Turbo auf. Zur Einordnung: Veröffentlichte Auswertungen sehen Whisper Large V3 auf LibriSpeech bei etwa 2,0–2,5 % WER auf test-clean und rund 3,9–4,3 % auf test-other – also in derselben Größenordnung wie Apples 2,12 % und 4,56 %, eher leicht darüber.

Behandeln Sie diesen Vergleich mit Vorsicht. Die genannten Whisper-Werte stammen aus separaten Auswertungen mit eigener Textnormalisierung, nicht aus einem direkten Duell auf derselben Maschine gegen Apples Engine. Allein die Wahl der Normalisierung kann die LibriSpeech-WER um mehr als einen Prozentpunkt verschieben – unser WER-Leitfaden erklärt, wie das passiert. Die ehrliche Schlussfolgerung lautet nicht „Whisper Large gewinnt”. Sie lautet: Kein veröffentlichter Test hat Apples Engine gegen die Whisper-Modelle geprüft, um die es eigentlich geht – und der Abstand, den die Schlagzeilen nahelegten, ist ein Artefakt der gewählten Modellgröße.

2. Alles, was schwieriger ist als ein Studio-Hörbuch

LibriSpeech ist vorgelesene Sprache: eine Person, ein Buch, ein gutes Mikrofon, kein Durcheinanderreden. Es ist die unterste Sprosse der Leiter, und genau deshalb liefert dort jede Engine ihren Bestwert.

Echte Aufnahmen liegen weiter oben. Auf der Genauigkeitsleiter, die wir für Whisper dokumentiert haben, erreicht dasselbe Large V3, das bei sauberer vorgelesener Sprache auf 2–3 % kommt, im Mittel etwa 7,4 % über gemischte reale englische Benchmarks und rund 16 % auf AMI-Meetingaudio mit entfernten Mikrofonen und überlappenden Stimmen.

Für SpeechAnalyzer hat niemand diese Sprossen veröffentlicht. Solange das so bleibt, sagt ein Hörbuchwert von 2,12 % sehr wenig über ein Meeting mit vier Personen aus, aufgenommen aus der Tischmitte. Der Autor des Benchmarks war in diesem Punkt offen – der Text beschreibt das Korpus als „vorgelesene Hörbuchsprache, keine Meetings”.

3. Neunundneunzig weitere Sprachen

Das ist die größte Lücke, und der Autor hat sie direkt benannt: Die Zahlen sagen „nichts über die mehr als 100 Sprachen aus, die Whisper unterstützt”.

Stand August 2026 liefert SpeechTranscriber.supportedLocales 42 Sprachvarianten in 22 Sprachen:

Arabisch, Chinesisch (vereinfacht, traditionell, Hongkong), Kantonesisch, Dänisch, Deutsch, Englisch (neun regionale Varianten), Finnisch, Französisch, Hebräisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Niederländisch, Norwegisch (Bokmål), Portugiesisch, Russisch, Schwedisch, Spanisch, Thailändisch, Türkisch und Vietnamesisch.

Whisper Large V3 deckt rund 100 ab. Die Lücken in Apples Liste sind keine Randfälle: kein Hindi, kein Polnisch, kein Tschechisch, kein Griechisch, kein Ukrainisch, kein Indonesisch. Portugiesisch gibt es nur als pt_BR, eine europäisch-portugiesische Variante fehlt.

Für deutschsprachige Nutzerinnen und Nutzer ist der entscheidende Punkt ein anderer. de_DE, de_AT und de_CH stehen alle auf Apples Liste – an der Unterstützung liegt es also nicht. Das Problem ist, dass es für Deutsch bei keiner der beiden Engines veröffentlichte Genauigkeitszahlen gibt. Der vielzitierte Benchmark hat ausschließlich Englisch gemessen, und Apple veröffentlicht keine WER-Werte pro Sprache. Wer also behauptet, Apple transkribiere Deutsch besser als Whisper oder umgekehrt, hat dafür derzeit keine Grundlage. Zwei Minuten eigene Aufnahme sind aktuell die belastbarste Quelle.

Apple hat weitere Sprachen angekündigt, diese Liste wird also irgendwann veraltet sein. „Unterstützt” und „gleich genau” bleiben aber bei beiden Engines zwei verschiedene Aussagen. Deshalb lohnt es sich, die vollständige Sprachliste an der eigenen Aufnahme zu prüfen, statt einer Zahl zu vertrauen.

Zu den „dreimal schneller”

Die Geschwindigkeitsangabe hat sich genauso weit verbreitet wie die Genauigkeit – und hat dieselbe Fußnote: gemessen gegen Whisper Small.

Der Benchmark berichtete einen Durchsatzbereich von grob 12- bis 40-facher Echtzeit auf einem M2 Pro – eine Stunde Audio in etwa 1,5 bis 5 Minuten. Genaue Zeiten pro Modell hat der Autor bewusst zurückgehalten, bis sauberere Messungen auf einer unbelasteten Maschine vorliegen.

Der Bereich ist real, und Apples Engine ist schnell. Er stammt allerdings von einem Desktop-M-Chip mit 32 GB RAM, nicht von einem Telefon. Auf dem iPhone ist die bindende Grenze für jedes Transkriptionsmodell der Arbeitsspeicher, nicht die reine Rechenleistung. Das ist auch der Grund, warum mehrere bekannte „Whisper-Apps” auf dem Telefon still und leise Small oder Medium laden, während ihre Mac-Versionen Large ausführen. Wir haben aufgeschrieben, welche Variante jede iOS-App tatsächlich lädt.

Wann welche Engine die bessere Wahl ist

Keine der beiden gewinnt generell. Sie sind für unterschiedliche Aufgaben gebaut.

Nehmen Sie Apple SpeechAnalyzer, wenn:

• Ihre Sprache zu den 22 unterstützten gehört, besonders bei Englisch.
• Ihr Gerät auf iOS 26 oder neuer läuft.
• Sie Live-Transkription mit Zwischenergebnissen brauchen, die sich beim Sprechen aktualisieren – dafür ist diese API gebaut.
• Sie weder Modell-Download noch Kosten wollen.

Nehmen Sie die Whisper-Large-V3-Familie, wenn:

• Ihre Sprache nicht auf Apples Liste steht oder sich in einer Datei mehrere Sprachen mischen.
• Sie dasselbe Verhalten auf älteren Geräten brauchen – Whisper-basierte Apps laufen weit unterhalb von iOS 26.
• Sie vorhandene Dateien transkribieren statt live mitzuschreiben, wo Genauigkeit mehr zählt als Latenz.
• Das Transkript unabhängig von der OS-Version gleich aussehen soll.

Umsonst gibt es in keine Richtung etwas. Apples Engine ist schneller integriert, kostenlos und innerhalb ihres Bereichs ausgezeichnet. Whispers Bereich ist etwa fünfmal breiter, und die Large-Varianten bezahlen diese Breite mit Modellgröße und Rechenzeit.

Was das für die Wahl einer iPhone-App bedeutet

Zwei praktische Folgen.

Erstens bedeutet „KI-Transkription” im App Store inzwischen mindestens drei verschiedene Dinge: eine App, die Apples On-Device-SpeechAnalyzer aufruft, eine App, die ein eigenes Whisper-Modell auf dem Gerät ausführt, oder eine App, die Ihr Audio auf einen Server lädt. Datenschutz, Offline-Fähigkeit und Sprachabdeckung unterscheiden sich vollständig, und die Store-Beschreibungen sagen selten, worum es sich handelt. Unser Vergleich der iOS-Speech-to-Text-Apps sortiert sie danach, wo das Audio verarbeitet wird.

Zweitens sagt „on device” nichts mehr über die Genauigkeit aus. Beide Wege laufen auf dem Gerät. Die Frage hat sich verschoben von wohin geht mein Audio zu welches Modell, in welcher Größe, in welcher Sprache.

In fünf Minuten selbst testen

Benchmarks sind Mittelwerte über Korpora, die Sie nie aufnehmen werden. Ihr eigenes Audio ist der einzige Test, der Ihre Frage beantwortet:

1. Nehmen Sie zwei Minuten in dem Raum auf, in dem Sie sonst aufnehmen – Ihr Mikrofon, Ihre Sprechweise, ein paar Namen, Zahlen und Fachbegriffe.
2. Transkribieren Sie das mit der eingebauten Transkription Ihres iPhones (Sprachmemos auf einem unterstützten Gerät oder eine App, die Apples Engine nutzt).
3. Transkribieren Sie dieselbe Datei mit einer Whisper-basierten App.
4. Zählen Sie die Fehler in einem Abschnitt von 200 Wörtern: jedes ersetzte, fehlende oder erfundene Wort. Fehler ÷ 200 = Ihre WER. (Die vollständige Methode, einschließlich der Frage, was als Fehler zählt, steht in unserem WER-Leitfaden.)

Sind beide sauber, nehmen Sie die bequemere Variante. Der Unterschied zeigt sich meist bei Eigennamen, überlappender Sprache und allen Sprachen außerhalb der ressourcenstarken Gruppe – also genau dort, wo der Benchmark aufgehört hat zu messen.

Häufige Fragen

Ist Apple SpeechAnalyzer genauer als Whisper?

Gegen Whisper Small auf sauberen englischen Hörbüchern ja – 2,12 % gegenüber 3,74 % WER. Gegen Whisper Large V3 oder Large V3 Turbo hat niemand einen direkten Test veröffentlicht. Separate Auswertungen sehen Large V3 auf demselben Korpus gleichauf oder leicht davor, aber unterschiedliche Normalisierung macht daraus eher einen groben Vergleich als ein Urteil.

Welche Engine ist bei Deutsch genauer?

Dazu gibt es keine veröffentlichten Zahlen. Der vielzitierte Benchmark hat nur Englisch gemessen, und Apple gibt keine WER-Werte pro Sprache heraus. de_DE, de_AT und de_CH stehen auf Apples Liste, an der Unterstützung liegt es also nicht. Für die Genauigkeit bleibt derzeit nur der Test mit zwei Minuten eigener Aufnahme.

Funktioniert SpeechAnalyzer offline?

Ja. Es läuft vollständig auf dem Gerät, die Sprachpakete werden einmalig über den System-Asset-Katalog geladen. Darin entspricht es einer On-Device-Whisper-App – keine der beiden schickt Ihr Audio an einen Server.

Brauche ich iOS 26 dafür?

Ja. SpeechAnalyzer setzt iOS 26 oder neuer voraus und ist nicht abwärtskompatibel. Apps auf Whisper-Basis laufen auf deutlich älteren Versionen, was einer der praktischen Gründe ist, beide Engines im Blick zu behalten.

Erkennt eine der beiden, wer gerade spricht?

Sprechererkennung ist ein eigener Schritt neben der Transkription, und keine der beiden Engines erledigt sie als Teil der Spracherkennung. Apps setzen das obendrauf – wie Sprechertrennung funktioniert beschreibt, was dazugehört und wo es scheitert.

Warum nutzt LoroNote Whisper statt Apples Engine?

Wegen der Sprach- und Gerätebreite. LoroNote transkribiert rund 100 Sprachen, auch Aufnahmen mit gemischten Sprachen, auf Geräten weit vor iOS 26. Apples Engine ist innerhalb ihrer 22 Sprachen ausgezeichnet, aber kein direkter Ersatz für diese Breite. Die konkrete Modellwahl erklären wir im Leitfaden zu Whisper Large V3 Turbo.

Quellen

• Apple, Bring advanced speech-to-text to your app with SpeechAnalyzer – WWDC25-Session zur Einführung des Frameworks
• Apple, SpeechTranscriber-Dokumentation
• Lyonesse, Apple’s New Speech API vs Whisper: The First Real Benchmark – die LibriSpeech-Auswertung, ihre Methodik und die genannten Einschränkungen
• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision – das Whisper-Paper
• OpenAI, Modellkarte whisper-large-v3 und Modellkarte whisper-large-v3-turbo
• Open ASR Leaderboard – Werte für gemischte Benchmarks und AMI-Meetingaudio

Benchmark-Zahlen geprüft am 23. August 2026. Apples Liste unterstützter Sprachen ändert sich mit OS-Updates; prüfen Sie SpeechTranscriber.supportedLocales auf einem aktuellen Build, bevor Sie sich darauf verlassen.