ScribeIndex
Vergleichstabelle

Kapwing: KI-Modelle und Technik

Welche Modelle erkennen die Sprache, trennen die Sprecher und erzeugen die Dokumente? Belegte Herstellerangaben und begründete Einschätzungen sind getrennt gekennzeichnet.

Stand 20. Oktober 20269 Quellen im Profil
Website von Kapwing Vergleichen

Kurzfassung

Kapwing nutzt AssemblyAI, Google Speech, Rev und weitere für die Spracherkennung und kein Sprachmodell für das Ergebnis, Sprachmodelle nur in Zusatzfunktionen.

Kapwing nennt Google, AssemblyAI, Rev und Whisper als Transkriptionsmodelle mit sprachabhängiger Auswahl. Der Editor ergänzt Zeitsegmente, Zeilenlänge und gespeicherte Schreibkorrekturen. Die Videoverarbeitung läuft in US-Regionen bei Google Cloud. Weitere KI-Dienste werden für optionale Videofunktionen eingesetzt.

Auf einen Blick

Solide Modelle
  • SpracherkennungAssemblyAI, Google Speech, Rev und weitereEigener Modellabgleich: Whisper
  • DokumenterstellungNicht vorgesehen

Was heißt „Einschätzung“? Wenn der Anbieter die genutzten Modelle nicht benennt, versucht ScribeIndex, diese aus Unterauftragsverarbeiterlisten, technischen Merkmalen oder Veröffentlichungen abzuleiten, jeweils mit Begründung und Quelle bei der Stufe. Solche Modelle bewertet ScribeIndex höchstens mit „Stark“, wie die Methodik erklärt.

Fazit zur Technik

Solide ModelleDie Spracherkennung ist nach Referenzwerten mindestens so gut wie der Median aktueller Modelle, hat aber einen Abzug von einer Stufe für belegte Qualitätsprobleme.

Für die Spracherkennung setzt Kapwing auf AssemblyAI, Google Speech, Rev und weitere.

Modelle aus der Familie von AssemblyAI (Universal-Familie) liegen im Hugging Face Open ASR Leaderboard, Deutsch (FLEURS und Common Voice) zwischen 2,4 und 2,6 % WER. Der Median aller dort gemessenen Modelle liegt bei 4,1 % WER. Weil offen ist, welches Modell dieser Familie Kapwing einsetzt, zählt ihr mittlerer Wert. Er ist mindestens so gut wie der Median und ergibt damit „Stark“. Nach Abzug einer Stufe für belegte Qualitätsprobleme ergibt sich „Solide“. Der Modellabgleich von ScribeIndex ordnet die deutschen Ausgaben Whisper zu. Das Urteil stützt sich auf AssemblyAI (Universal-Familie), denn je Verarbeitungsstufe zählt das am besten bewertete Kernmodell.

Kapwing gibt die erkannten Untertitel segmentiert und mit festen Schreibkorrekturen aus, eine Notiz oder Zusammenfassung entsteht dabei nicht.

Damit verarbeiten externe KI-Dienste die Gesprächsinhalte (AssemblyAI, Google und Rev). Welche Regionen und Verträge dafür gelten, steht im Datenschutzprofil.

Im ScribeIndex-Test „Untertitel für Videodateien“ erreicht Kapwing eine Wortfehlerrate von 9,8 %.

Verarbeitungskette

  1. Audio
  2. SpracherkennungWhisperbelegtAssemblyAI (Universal-Familie)belegtGoogle Speech-to-TextbelegtRev-Spracherkennungbelegt
  3. SprecherzuordnungNicht offengelegt
  4. DokumenterstellungNicht vorgesehen
  5. Ergebnis

belegt Angabe des Herstellers oder eines offiziellen PartnersEinschätzung abgeleitet aus Unterauftragsverarbeiterlisten, technischen Merkmalen oder Veröffentlichungen

Welches Modell wandelt Sprache in Text um?

Sprachabhängige Auswahl aus mehreren Erkennungsdiensten.

Whisper

belegt
  • AnbieterOpenAI
  • HerkunftNicht bekannt

Die offizielle Untertitelhilfe nennt Whisper ausdrücklich unter den genutzten Transkriptionsmodellen. Welches Modell Kapwing für Deutsch einsetzt, gibt der Anbieter nicht an.

SchwachReferenz der Modellfamilie

2 weitere Referenzwerte in den Daten zu Kapwing (JSON).

Für das eingesetzte Modell gibt es keinen eigenen Referenzwert. Die Werte zeigen die Spannweite der Modelle dieser Familie. ScribeIndex stuft Whisper um eine Stufe herunter. Studien belegen für Whisper erfundene Textpassagen, bei englischen Aufnahmen über die Whisper-API 2023 in rund 1 % der Transkripte und bei Whisper large-v3 in 40 % der Eingaben ohne Sprache. Solche Halluzinationen kommen natürlich bei allen Spracherkennungsmodellen vor, ausschlaggebend sind hier jedoch die eigenen Tests von ScribeIndex mit deutschen Aufnahmen, in denen Whisper hinter seinen Referenzwerten zurückbleibt. Studien: Koenecke et al. 2024, Barański et al. 2025.

AssemblyAI (Universal-Familie)

belegt
  • AnbieterAssemblyAI
  • HerkunftDrittanbieter-API

Kapwing nennt AssemblyAI für Transkription in Hilfe und Unterauftragsverarbeiterliste. Universal ist die Modellfamilie dieses Dienstes, eine Modellversion nennt Kapwing nicht. Welcher Dienst deutsche Aufnahmen erkennt, gibt Kapwing nicht an.

SolideReferenz der Modellfamilie

3 weitere Referenzwerte in den Daten zu Kapwing (JSON).

Für das eingesetzte Modell gibt es keinen eigenen Referenzwert. Die Werte zeigen die Spannweite der Modelle dieser Familie. ScribeIndex stuft AssemblyAI um eine Stufe herunter. Die deutschen Referenzwerte von AssemblyAI stammen aus vorgelesenen Einzelsätzen und einer Studie mit vier simulierten Anamnesegesprächen. Vorgelesene Sätze sind natürlich für jedes Modell leichter als freie Gespräche, und vier Gespräche sind eine sehr kleine Stichprobe. Ausschlaggebend sind hier jedoch die eigenen Tests von ScribeIndex mit deutschen Aufnahmen, in denen AssemblyAI hinter diesen Werten zurückbleibt.

Google Speech-to-Text

belegt
  • AnbieterGoogle
  • HerkunftDrittanbieter-API

Die Untertitelhilfe nennt Transkriptionsmodelle von Google, aber keine Modellgeneration.

SolideReferenz der Modellfamilie

Für das eingesetzte Modell gibt es keinen eigenen Referenzwert. Die Werte zeigen die Spannweite der Modelle dieser Familie.

Rev-Spracherkennung

belegt
  • AnbieterRev
  • HerkunftDrittanbieter-API

Hilfe und Unterauftragsverarbeiterliste führen Rev als Transkriptionsanbieter. Eine Modellbezeichnung nennt Kapwing nicht.

Ohne Referenz

Für dieses Modell oder diesen Dienst ist kein unabhängiger Referenzwert veröffentlicht.

Modellabgleich im 2. Quartal 2026: Modell zugeordnet. ScribeIndex hat die Ausgaben von Kapwing für 120 eigene Prüfeingaben mit den typischen Ausgaben bekannter Spracherkennungsmodelle verglichen. Bei 74 % davon ähneln sie am stärksten Whisper. Das passt zur Angabe von Kapwing. Version und Anpassungen bestimmt der Abgleich nicht. Bei weiteren Prüfeingaben ähneln die Ausgaben am stärksten AssemblyAI Universal (17 %).

  • Whisper 74 %
  • AssemblyAI Universal 17 %
  • Andere Referenzmodelle 9 %

Methode des Modellabgleichs

Wie werden Sprecher getrennt und zugeordnet?

Automatische Sprecherkennzeichnungen in Untertiteln nennt Kapwing nicht.

Kapwing legt das Modell für diesen Schritt nicht offen. Die Untertitelhilfe beschreibt Textsegmente und ihre Einblendzeiten.

Für diesen Schritt gibt es keine öffentlich verfügbaren Referenzmodelle, gegen die der Modellabgleich prüfen könnte. Er deckt Spracherkennung und Dokumenterstellung ab.

Welches Sprachmodell erstellt Notiz, Bericht oder Zusammenfassung?

Kapwing gibt die erkannten Untertitel segmentiert und mit festen Schreibkorrekturen aus, eine Notiz oder Zusammenfassung entsteht dabei nicht.

Die Herstellerhilfe beschreibt einstellbare Zeichen pro Zeile, geteilte Segmente und Custom Spelling. Gespeicherte Ersetzungen werden auf neue Transkriptionen und SRT-Dateien angewendet.

Welche Modelle stehen hinter Chat- und Zusatzfunktionen?

Optionale generative Video-KI und externe MCP-Assistenten.

GPT-Familie

Einschätzung · mehrere IndizienOptionales Modul
  • AnbieterOpenAI
  • HerkunftDrittanbieter-API

Kapwing führt OpenAI als Zulieferer für Script-to-Video, Skripte und weitere generative Videofunktionen. Für die Skriptplanung nutzt Kapwing deshalb GPT-Modelle von OpenAI. Die Originaluntertitel betrifft das nicht.

StarkVermutetes Modell

4 weitere Referenzwerte in den Daten zu Kapwing (JSON).

Google Gemini

belegtOptionales Modul
  • AnbieterGoogle
  • HerkunftDrittanbieter-API

Die Unterauftragsverarbeiterliste benennt Gemini ausdrücklich für optionale KI-Funktionen neben Übersetzung und Sprachausgabe.

StarkReferenz der Modellfamilie

Für das eingesetzte Modell gibt es keinen eigenen Referenzwert. Die Werte zeigen die Spannweite der Modelle dieser Familie.

Wo werden die Daten verarbeitet und gespeichert?

Google Cloud in us-east1 und us-west1 (USA), MongoDB Atlas.

Für Rechenzentren und Hosting gibt es keinen Modellleistungswert. Maßgeblich sind Verarbeitungsort und Datenschutz.

Häufige Fragen

Welches KI-Modell nutzt Kapwing?

  • Für die Spracherkennung nutzt Kapwing Whisper, AssemblyAI (Universal-Familie), Google Speech-to-Text und Rev-Spracherkennung. Der Modellabgleich ordnet die deutschen Ausgaben Whisper zu.
  • Eine Dokumenterstellung mit Sprachmodell ist bei Kapwing nicht vorgesehen.

Welches Modell wandelt bei Kapwing Sprache in Text um?

  • Whisper, OpenAI, belegt
  • AssemblyAI (Universal-Familie), AssemblyAI, belegt
  • Google Speech-to-Text, Google, belegt
  • Rev-Spracherkennung, Rev, belegt

Der Modellabgleich ordnet die deutschen Ausgaben Whisper zu.

Begründung und Quellen

Welches Sprachmodell erstellt bei Kapwing Notiz, Bericht oder Zusammenfassung?

Kapwing sieht diesen Schritt nicht vor.

Quellen

Technische Dokumentation, Unterauftragsverarbeiter, Partnerschaften und Veröffentlichungen zu Kapwing. Stand 15. Oktober 2026.

  1. Kapwing: Untertiteleditor, Sprachen und ASR-Anbieter kapwing.com · abgerufen am 5. Oktober 2026
  2. Kapwing: Unterauftragsverarbeiter, 26. Mai 2026 kapwing.com · abgerufen am 15. Oktober 2026
  3. Kapwing: Sicherheit und Datenschutz, 26. Mai 2026 kapwing.com · abgerufen am 5. Oktober 2026