RealtimeSTT
Speech-to-Text-Bibliothek mit geringer Latenz, Spracherkennung und Wake-Words.
Erstellen Sie Sprachassistenten, Diktierwerkzeuge und Streaming-Server mit minimalem Code.
RealtimeSTT ist eine Python-Bibliothek, die Spracherkennung (VAD), schnelle Transkription und Wake-Word-Aktivierung bietet. Sie eignet sich für Entwickler, die interaktive Sprachanwendungen oder benutzerdefinierte Streaming-Server erstellen.
Was es ist
Die Bibliothek erfasst Audio-Streams, erkennt Sprache über WebRTC- oder Silero-VAD und transkribiert Audio über Engines wie faster-whisper oder sherpa-onnx. Sie unterstützt optionale Wake-Word-Erkennung durch Porcupine oder OpenWakeWord und enthält einen integrierten FastAPI-Produktionsserver.
Für wen
Sie eignet sich für Python-Entwickler, die lokale Sprachschnittstellen, Diktiersoftware oder Browser-Streaming-Backends entwickeln. Sie ist weniger geeignet für Teams, die Stacks ohne Python oder Setups ohne Abhängigkeiten suchen, da Audiotreiber und ressourcenintensive Machine-Learning-Modelle erforderlich sind.
Wichtige Funktionen
Spracherkennung (VAD)
Erkennt Sprache automatisch mithilfe von WebRTC-VAD und Silero-VAD.
Wake-Word-Aktivierung
Unterstützt optionale Wake-Word-Auslösung über Porcupine oder OpenWakeWord.
Unterstützung für mehrere Engines
Läuft auf faster-whisper, sherpa-onnx, Moonshine und anderen wählbaren Backends.
FastAPI-Produktionsserver
Enthält einen optionalen Remoteserver mit versionierten HTTP- und WebSocket-Endpunkten.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Bietet direkten Mikrofoneingang oder von der Anwendung eingespeiste externe Audio-Chunks.
- Enthält einen fertigen FastAPI-Produktionsserver mit Sitzungsisolierung und Authentifizierung.
- Unterstützt CPU-optimierte Streaming-Pipelines mit sherpa-onnx-Modellen.
- Bietet Ereignis-Callbacks für Aufnahme, VAD, Echtzeitext und Wake-Word-Zustände.
Schwächen
- Erfordert plattformspezifische Systemabhängigkeiten wie PortAudio-Header unter Linux und macOS.
- Schwere Machine-Learning-Modelle erfordern erhebliche lokale Rechenressourcen oder GPU-Hardware.
- Python 3.13 und neuer werden als Release-Ziele noch nicht unterstützt.
Preise & Lizenz
Kostenlos unter der MIT-Lizenz. Im Repository werden keine kostenpflichtigen Hosted-Optionen erwähnt, sodass die einzigen Kosten durch den Betrieb der eigenen Hardware und Modelle entstehen.
Stellen für Deutschsprachige
876 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Nutze es, oder lass es uns einrichten
FAQ
Wie speise ich Audio von einer externen Datei oder einem Stream anstelle eines Mikrofons ein?
Initialisieren Sie den Recorder mit `use_microphone=False` und speisen Sie 16-Bit-Mono-PCM-Chunks über `feed_audio()` ein.
Kann ich RealtimeSTT auf einem reinen CPU-Produktionsserver ausführen?
Ja, die README empfiehlt die Kombination von sherpa-onnx-nemotron für Live-Hypothesen mit sherpa-onnx-nemo-parakeet für finale Transkripte auf der CPU.
