Whisper vs. YouTube-Untertitel: Wann sich bezahlte Transkription lohnt

Whisper vs. YouTube-Untertitel ist eine Entscheidung, die die meisten falsch aufziehen. Sie wird als Qualitätsduell behandelt — welcher Transkribierer ist „besser" — dabei ist es in Wahrheit die Frage, ob das Transkript bereits existiert. Für die große Mehrheit der YouTube-Videos tut es das: YouTube generiert Untertitel automatisch, und sie abzurufen ist ein HTTP-Aufruf. Whisper auf diese Videos loszulassen heißt Audio herunterladen, für Compute bezahlen und warten — um Text nachzubauen, der die ganze Zeit schon da lag.

Aber Whisper ist auch kein Hype. Es gibt konkrete Situationen, in denen es klar die richtige Wahl ist, und wenn du eine Pipeline baust, wirst du irgendwann auf sie stoßen. Hier die faire Aufteilung, mit Zahlen.

Was dir jede Option tatsächlich liefert

YouTube-Untertitel — sofort verfügbar für die meisten öffentlichen Videos. Von Menschen hochgeladene Spuren sind exzellent; automatisch generierte sind ordentlich und werden jedes Jahr besser, mit den klassischen Schwächen: dünne Interpunktion, verstümmelte Eigennamen und Fachjargon, gelegentliche Homophon-Vertauschungen. Abrufkosten: praktisch null.

Whisper (oder faster-whisper) — transkribiert das Audio selbst. Echte Interpunktion und Groß-/Kleinschreibung, besserer Umgang mit technischem Vokabular (besonders mit einem Initial-Prompt), solide Zeitstempel auf Wortebene, und es funktioniert bei Videos, die gar keine Untertitel haben. Kosten: Die OpenAI API liegt bei etwa 0,006 $ pro Audiominute; Selbst-Hosting braucht eine GPU oder viel CPU-Geduld. Und du musst erst an das Audio kommen — typischerweise via yt-dlp — was auf Servern eigene Probleme mitbringt (Blockierung von Datacenter-IPs, Binary-Wartung).

Die Rechnung bei einem Backlog von 100 Videos

Angenommen, du verarbeitest den Back-Katalog eines Kanals: 100 Videos, im Schnitt 15 Minuten.

Whisper-Route: 100 × 15 min × 0,006 $ = etwa 9 $ an API-Gebühren. Klingt günstig — und ist es auch — aber das ist nicht die ganze Rechnung. Du musst außerdem rund 100 Audiodateien über yt-dlp herunterladen (von einer Cloud-IP aus rechne mit „Sign in to confirm you're not a bot"-Fehlern und Proxy-Kosten), sie speichern, die Jobs in eine Queue stellen und warten. Realistisch ist das ein Nachmittag Pipeline-Arbeit plus über eine Stunde reine Verarbeitungszeit.

Untertitel-Route: 100 GET-Requests. In ein paar Minuten erledigt, kein Audio berührt je deine Festplatte:

curl -s "https://youtube2text.org/api/transcribe?url=VIDEO_ID" \
  -H "x-api-key: yt_YOUR_KEY"

Bei den Preisen von youtube2text.org passen 100 Videos in den Plan für 9,99 $/Monat (500 Videos). Ähnlicher Dollarbetrag wie Whispers API-Gebühr — aber null Infrastruktur, und die Ergebnisse kommen sofort als sauberes JSON. Wenn ich Transkripte an ein LLM für Zusammenfassungen oder RAG auf Kanal-Ebene verfüttere, ist das jedes Mal die Route; Sprachmodelle stecken die kleinen Transkriptionsfehler in Auto-Untertiteln locker weg.

Wo Whisper wirklich gewinnt

Ich will hier ganz nüchtern bleiben, denn es gibt Jobs, bei denen Untertitel klar verlieren:

• Es existieren keine Untertitel. Manche Videos — nicht gelistete Uploads, bestimmte Musikinhalte, manche nicht-englische Videos — liefern TRANSCRIPT_UNAVAILABLE. Whisper ist die einzige Option.
• Genauigkeit ist das Produkt. Zitate veröffentlichen, juristische oder medizinische Prüfung, Untertitelung deiner eigenen Inhalte — die Fehlerrate von Auto-Untertiteln ist inakzeptabel und Whispers Output deutlich sauberer.
• Du brauchst verlässliche Wort-Zeitstempel fürs Clipping, Karaoke-artiges Highlighting oder Alignment-Arbeit. Untertitel-Timing ist segmentbasiert und ungefähr.
• Schwieriges Audio. Starke Akzente, durcheinander redende Personen, schlechte Aufnahmen — Whispers große Modelle schlagen YouTubes ASR oft.

Für Vorlesungsnotizen und Podcast-Zusammenfassungen reichen Untertitel dagegen fast immer — das nachgelagerte LLM bügelt das Rauschen aus.

Die Entscheidungsliste

• Fütterst du ein LLM (Zusammenfassungen, RAG, Recherche)? → Untertitel. Fehler mitteln sich raus.
• Veröffentlichst du das Transkript wörtlich? → Whisper, dann menschliche Durchsicht.
• Brauchst du Zeitstempel auf Wortebene? → Whisper.
• Großer Backlog mit Budget und Deadline? → Erst Untertitel.
• Video liefert TRANSCRIPT_UNAVAILABLE (404)? → Fallback auf Whisper. Das ist das Muster, das ich tatsächlich fahre: erst den Untertitel-Aufruf versuchen und nur die Ausfälle in eine Whisper-Queue routen. In der Praxis greift der Fallback bei einer kleinen Minderheit der Videos, du bekommst also Whisper-Abdeckung zu Untertitel-Kosten.

Wenn dein Untertitel-Abruf von einem Cloud-Server aus dauernd fehlschlägt statt Ergebnisse zu liefern, ist das ein anderes Problem — eine IP-Sperre, keine fehlenden Untertitel — behandelt in warum youtube-transcript-api blockiert wird.

Um die Untertitel-zuerst-Hälfte zu verdrahten: Ein kostenloser Key ist eine Google-Anmeldung entfernt unter youtube2text.org/app/keys (5 Videos/Monat gratis, keine Karte), und die vollständige API-Referenz liegt unter youtube2text.org/api.md.