OpenAI Whisper API Limieten 2026: Bestandsgrootte, Rate Limits en Oplossingen

De OpenAI Whisper API hanteert een bestandslimiet van 25MB, ondersteunt zeven audioformaten (mp3, mp4, mpeg, mpga, wav, webm, m4a) en kost $0,006 per minuut. Rate limits varieren per tier, beginnend bij 50 RPM voor Tier 1. Er is geen limiet op audioduur, dus een gecomprimeerd bestand kan uren spraak bevatten binnen de 25MB-grens.

Wat je nodig hebt:

• Een OpenAI API-sleutel met facturering ingeschakeld
• FFmpeg geinstalleerd (voor het splitsen van grote audiobestanden)
• Basiskennis van Python of Node.js voor API-aanroepen
• Geschatte tijd: 15-30 minuten om te lezen en te implementeren
• Vaardigheidsniveau: Beginner tot gemiddeld

Snel overzicht van de belangrijkste onderwerpen:

1. Volledige limietentabel -- Alle Whisper API-beperkingen op een rijtje
2. De 25MB bestandslimiet -- Wat het betekent en hoe je het omzeilt
3. Ondersteunde audioformaten -- Technische specificaties voor geaccepteerde bestandstypen
4. Rate limits en prijzen -- Tier-gebaseerde RPM/TPM-limieten en kostenoverzicht
5. Modelparameters -- Architectuur en mogelijkheden van Whisper
6. Gratis vs. betaald gebruik -- Wat is echt gratis en wat kost geld
7. Verwerking van grote bestanden -- Beproefde aanpakken voor bestanden groter dan 25MB
8. Whisper vs. Azure AI -- Welke implementatieoptie past bij jouw situatie

OpenAI Whisper API Limieten in 2026: Compleet Overzicht

De Whisper API is het automatische spraakherkenning (ASR) eindpunt van OpenAI, gebouwd op een model dat is getraind op 680.000 uur meertalige audiodata van het web. Het zet gesproken taal om in geschreven tekst, en dat doet het goed -- maar elke API heeft grenzen die je moet kennen voordat je productie-workflows eromheen bouwt.

Hier is het volledige overzicht van elke limiet die geldt in 2026:

Die tabel beantwoordt de meest gestelde vraag die ik van ontwikkelaars hoor: "Wat zijn de daadwerkelijke Whisper API limieten?" In mijn ervaring met het bouwen van de transcriptiepipeline van TranscribeTube is de 25MB bestandslimiet de beperking waar de meeste teams tegenaan lopen -- niet omdat die onredelijk is, maar omdat mensen zich niet realiseren dat het om de ruwe bestandsupload gaat, niet om de audioduur zelf.

Wat is er veranderd sinds 2024?

OpenAI heeft het plafond van 25MB niet verhoogd sinds de lancering van de Whisper API. De rate limit tiers zijn licht aangepast en de prijzen blijven stabiel op $0,006/min. Wat wel veranderd is: meer ontwikkelaars kennen nu de oplossingen (bestanden splitsen, compressie, alternatieve aanbieders), waardoor het makkelijker is om rond deze beperkingen te bouwen.

De 25MB Bestandslimiet en Hoe Je Die Omzeilt

De limiet waar je het vaakst tegenaan loopt is het plafond van 25MB. Volgens de OpenAI ontwikkelaarsdocumentatie "ondersteunt de Transcriptions API alleen bestanden kleiner dan 25 MB. Als je een audiobestand hebt dat langer is, moet je het opdelen in stukken van minder dan 25MB."

Hier is wat de meeste gidsen missen: de 25MB-limiet gaat over bestandsgrootte, niet over audioduur. Een bestand van 25MB kan een WAV-opname van 3 minuten zijn of een MP3 met lage bitrate van 2 uur. Dit onderscheid is belangrijk bij het plannen van je aanpak.

Stap 1: Controleer je bestandsgrootte en formaat

Controleer eerst waarmee je werkt:

# Controleer bestandsgrootte
ls -lh jouw-audiobestand.mp3

# Controleer audiodetails met FFmpeg
ffprobe -i jouw-audiobestand.mp3 -show_format -show_streams

Als je bestand kleiner is dan 25MB, kun je het direct versturen. Als het groter is, heb je drie opties.

Stap 2: Comprimeer eerst de audio

Vaak kun je splitsen helemaal vermijden door te comprimeren:

# Converteer naar mono MP3 met lage bitrate (meestal voldoende voor spraak)
ffmpeg -i input.wav -ac 1 -ab 64k -ar 16000 output.mp3

Spraaktranscriptie heeft geen CD-kwaliteit audio nodig. Een samplerate van 16kHz met 64kbps bitrate werkt prima voor Whisper en maakt bestanden een stuk kleiner. Ik heb WAV-bestanden van 180MB naar 8MB zien krimpen met deze aanpak, zonder meetbaar verlies in nauwkeurigheid.

Stap 3: Splits grote bestanden in stukken

Wanneer compressie niet genoeg is, splits je het bestand:

# Splits in stukken van 10 minuten (meestal onder 25MB bij redelijke bitrates)
ffmpeg -i groot-bestand.mp3 -f segment -segment_time 600 -c copy chunk_%03d.mp3

Let op: Splitsen op willekeurige punten kan woorden doormidden snijden. Gebruik stiltedetectie voor schonere splits:

# Splits op stille punten (minimaal 0,5s stilte, -30dB drempel)
ffmpeg -i groot-bestand.mp3 -af silencedetect=noise=-30dB:d=0.5 -f null -

Stap 4: Transcribeer elk stuk en voeg samen

Stuur elk stuk apart naar de Whisper API en voeg de resultaten in volgorde samen. Hier is een Python-voorbeeld:

import openai
from pathlib import Path

client = openai.OpenAI()
chunks = sorted(Path("chunks/").glob("chunk_*.mp3"))
full_transcript = ""

for chunk in chunks:
    with open(chunk, "rb") as audio_file:
        transcript = client.audio.transcriptions.create(
            model="whisper-1",
            file=audio_file
        )
        full_transcript += transcript.text + " "

print(full_transcript.strip())

Pro tip: Na het verwerken van duizenden audiobestanden via TranscribeTube heb ik ontdekt dat stukken van 10 minuten de beste balans bieden tussen onder de 25MB blijven en voldoende context behouden voor nauwkeurige transcriptie. Kortere stukken (onder 2 minuten) produceren soms slechtere resultaten omdat Whisper contextuele aanwijzingen verliest.

Je weet dat het werkt wanneer: Elk stuk een JSON-response retourneert met een text-veld, en je samengevoegde transcript natuurlijk leest zonder duidelijke hiaten bij de stukgrenzen.

Veelgemaakte fouten:

• Overlappende context niet afhandelen: Wanneer je midden in een zin splitst, ontstaat er een ongemakkelijke breuk. Voeg een overlap van 2 seconden toe tussen stukken en verwijder duplicaten bij het samenvoegen.
• Bestandsformaat negeren tijdens het splitsen: Het splitsen van een WAV-bestand produceert nog grotere stukken. Comprimeer altijd eerst naar MP3 en splits dan.

Als je liever het handmatige splitsproces helemaal overslaat, verwerken tools zoals de audio naar tekst converter van TranscribeTube grote bestanden automatisch door chunking, parallelle verwerking en transcriptsamenvoegig achter de schermen te regelen.

Ondersteunde Audioformaten en Technische Specificaties

Whisper accepteert zeven audioformaten. De verschillen in bestandsgrootte zijn behoorlijk groot:

Welk formaat moet je gebruiken?

Specifiek voor de Whisper API geeft MP3 op 64-128kbps je de beste balans tussen kwaliteit en grootte. WAV-bestanden verbranden de 25MB-limiet in minuten audio, terwijl MP3's met spraakgeoptimaliseerde bitrates je meer content laten inpakken per upload.

Volgens n8n's workflow-documentatie komt "Whisper's 25 MB bestandslimiet" neer op ongeveer 20 minuten audio bij standaard kwaliteitsinstellingen.

Formaten die NIET worden ondersteund: FLAC, OGG, AAC (standalone), AIFF en WMA werken niet. Converteer ze eerst:

# Converteer FLAC naar MP3
ffmpeg -i opname.flac -codec:a libmp3lame -b:a 128k opname.mp3

# Converteer OGG naar MP3
ffmpeg -i opname.ogg -codec:a libmp3lame -b:a 128k opname.mp3

Als je regelmatig met audiotranscriptie werkt, voorkomt het bewaren van je bronbestanden in MP3-formaat vanaf het begin deze conversiehoofdbrekens.

OpenAI Whisper Rate Limits, Prijzen en Tokengebruik

Rate limits bepalen hoeveel verzoeken je per minuut kunt versturen en hoeveel audio je in totaal kunt verwerken. Volgens de OpenAI rate limits documentatie zijn "rate limits beperkingen die onze API oplegt aan het aantal keren dat een gebruiker of client binnen een bepaalde periode toegang kan krijgen tot onze services."

Rate Limits per Tier

OpenAI gebruikt een tiersysteem gebaseerd op de bestedingsgeschiedenis van je account:

Prijsoverzicht

De prijzen van de Whisper API zijn simpel. Volgens Brass Transcripts is het tarief $0,006 per minuut audio, wat neerkomt op $0,36 per uur.

Dit is hoe dat eruitziet op schaal:

Er zijn geen volumekortingen op de Whisper API. Of je nu 1 uur of 10.000 uur verwerkt, het tarief per minuut blijft hetzelfde. Voor grote volumes kan het zelf hosten van het open-source Whisper-model of het gebruik van een beheerde service zoals de audiotranscriptie-API van TranscribeTube de kosten flink drukken.

Omgaan met Rate Limit Fouten

Wanneer je een rate limit bereikt, krijg je een 429 Too Many Requests response. Handel dit af met exponential backoff:

import time
import openai

def transcribe_with_retry(file_path, max_retries=5):
    client = openai.OpenAI()
    for attempt in range(max_retries):
        try:
            with open(file_path, "rb") as audio_file:
                return client.audio.transcriptions.create(
                    model="whisper-1",
                    file=audio_file
                )
        except openai.RateLimitError:
            wait_time = 2 ** attempt
            print(f"Rate limited. Wacht {wait_time}s...")
            time.sleep(wait_time)
    raise Exception("Maximaal aantal pogingen overschreden")

Pro tip: In onze productieomgeving bij TranscribeTube zetten we transcriptietaken in een wachtrij en verwerken ze met een gecontroleerde snelheid in plaats van de API te bombarderen. Deze aanpak voorkomt rate limit fouten volledig en kost hetzelfde.

Hoeveel Parameters Heeft OpenAI Whisper?

OpenAI heeft Whisper getraind in vijf modelgroottes, varierend van 39 miljoen tot meer dan 1,5 miljard parameters. Volgens Deepgram's technische analyse "biedt OpenAI Whisper in vijf modelgroottes, varierend van 39 miljoen tot meer dan 1,5 miljard parameters. Grotere modellen leveren doorgaans een hogere nauwkeurigheid."

Hier is het overzicht:

De API (whisper-1) gebruikt de large modelvariant, wat je de beste nauwkeurigheid geeft. Als je zelf host, kun je kleinere modellen kiezen voor snellere verwerking ten koste van enige nauwkeurigheid.

large-v3-turbo: De nieuwste toevoeging

OpenAI heeft large-v3-turbo uitgebracht, dat veel sneller is dan de standaard large-v3 terwijl de nauwkeurigheid vergelijkbaar blijft. Het is beschikbaar voor self-hosting maar nog niet via de API -- de API draait nog steeds whisper-1 (gebaseerd op large-v2/v3).

Dit is belangrijk als je kiest tussen de API en self-hosting. De API geeft je eenvoud maar beperkt je tot een model. Self-hosting geeft je modelflexibiliteit en mogelijk betere prestaties met large-v3-turbo.

Wil je weten hoe verschillende modellen presteren qua nauwkeurigheid in de praktijk? Bekijk dan ons overzicht van AI-transcriptienauwkeurigheid.

Is OpenAI Whisper Gratis? Commercieel Gebruik Begrijpen

Dit is een van de meest gestelde vragen, en het antwoord is: het hangt af van hoe je het gebruikt.

Het open-source Whisper-model is gratis. Je kunt het downloaden van GitHub, lokaal draaien en zoveel audio verwerken als je hardware aankan. Geen API-sleutel nodig, geen kosten per minuut, geen rate limits. De afweging is dat je een machine nodig hebt met een fatsoenlijke GPU (minimaal 4GB VRAM voor het small model, 10GB+ voor large).

De Whisper API is betaald. Elke minuut audio verwerkt via de API kost $0,006. Er is geen gratis tier voor doorlopend gebruik -- nieuwe accounts krijgen een klein tegoed, maar dat raakt snel op bij serieus gebruik.

Kostenvergelijking: API vs. Zelf Gehost

Voor de meeste teams die minder dan 100 uur per maand verwerken, is de API goedkoper wanneer je serverkosten en engineeringtijd meerekent. Boven die drempel begint self-hosting financieel zinvol te worden -- maar het brengt operationele complexiteit met zich mee.

Bekijk voor een praktische walkthrough van het opzetten van lokale Whisper onze gids over hoe je audio transcribeert met Whisper.

Best Practices voor het Verwerken van Grote Audiobestanden in Productie

Werken binnen de 25MB-limiet in productie vraagt wat voorbereiding. Dit is wat daadwerkelijk werkt op schaal, gebaseerd op het verwerken van miljoenen minuten audio via TranscribeTube.

Voorverwerkingspijplijn

Voordat een bestand de Whisper API bereikt, laat je het door deze pijplijn lopen:

1. Formaatstandaardisatie: Converteer naar MP3 op 16kHz mono, 64kbps
2. Groottecontrole: Als het onder 25MB is, stuur het direct. Zo niet, ga naar stap 3
3. Intelligent splitsen: Splits op stiltepunten met VAD (Voice Activity Detection)
4. Parallelle transcriptie: Stuur alle stukken gelijktijdig (respecteer rate limits)
5. Samenvoegen en nabewerken: Voeg transcripten samen, corrigeer artefacten bij stukgrenzen

Audiokwaliteit Optimalisatie

Slechte audiokwaliteit beinvloedt de transcriptienauwkeurigheid meer dan welke API-limiet dan ook. Voordat je bestanden naar Whisper stuurt:

• Verminder achtergrondgeluid: Gebruik een noise gate of spectrale subtractie. FFmpeg's anlmdn-filter werkt goed voor basis-ruisonderdrukking.
• Normaliseer audioniveaus: Inconsistent volume zorgt ervoor dat Whisper stillere secties mist. Voer ffmpeg -i input.mp3 -af loudnorm output.mp3 uit.
• Verwijder stiltevulling: Lange stiltes verspillen verwerkingstijd en kosten. Trim ze weg.

Foutafhandeling voor Productie

Het OpenAI Community Forum heeft meerdere threads over de "request too large" fout die verschijnt, zelfs bij bestanden die ogenschijnlijk onder 25MB zijn. Volgens een community thread gebeurt dit meestal wanneer multipart form-encoding overhead toevoegt aan de verzoekgrootte. Houd bestanden op 24MB of lager om randgevallen te vermijden.

Monitor ook op:

• 413 Payload Too Large: Bestand overschrijdt de 25MB-limiet
• 429 Rate Limited: Te veel verzoeken per minuut
• 500 Internal Server Error: Probeer opnieuw met exponential backoff
• Timeout-fouten: Lange bestanden kunnen een timeout veroorzaken; maak de stukken korter

Pro tip: We hebben ontdekt dat het meegeven van de language-parameter wanneer je de brontaal kent (bijv. language="en") zowel de snelheid als de nauwkeurigheid verbetert. Zonder deze parameter besteedt Whisper de eerste 30 seconden aan taaldetectie, wat verspilde tijd en geld is wanneer je het antwoord al weet.

Bekijk voor podcastworkflows specifiek onze gedetailleerde gidsen over het transcriberen van Spotify-podcasts en Apple Podcasts.

Whisper API vs Azure AI: Welke Moet Je Kiezen in 2026?

Als je regelmatig tegen Whisper API-limieten aanloopt, is Azure AI Speech Services een andere manier om hetzelfde Whisper-model te draaien, met andere afwegingen. Volgens Microsoft's documentatie is "de bestandslimiet voor het Azure OpenAI Whisper-model 25 MB" -- de bestandslimiet is dus hetzelfde.

Hier is een directe vergelijking:

Wanneer Azure Kiezen Boven OpenAI Direct

Kies Azure als je nodig hebt:

• Batchtranscriptie voor het asynchroon verwerken van grote volumes vooraf opgenomen bestanden
• Dataresidentie vereisten (AVG, datasoevereiniteit)
• Enterprise SLA met gegarandeerde uptime
• HIPAA-compliance voor medische transcriptie

Kies OpenAI direct als je nodig hebt:

• Eenvoudigere integratie met minder configuratiestappen
• Lagere instapdrempel voor prototyping
• Consistente prijzen zonder regionale variaties

Sommige teams meldden op Reddit dat alternatieve services veel hogere bestandslimieten ondersteunen (tot 600 MB), wat het verkennen waard kan zijn als het 25MB-plafond je voornaamste knelpunt is.

Bekijk voor een bredere vergelijking van spraak-naar-tekst opties buiten Whisper onze vergelijking van de beste spraak-naar-tekst API's.

Tools Genoemd in Deze Gids

Veelgestelde Vragen Over OpenAI Whisper API Limieten

Wat is de Whisper-limiet in OpenAI?

De Whisper API hanteert een bestandslimiet van 25MB per verzoek. Er is geen expliciete limiet op audioduur -- de beperking gaat puur over bestandsgrootte. Een gecomprimeerde MP3 op 64kbps kan ongeveer 50 minuten audio bevatten binnen 25MB, terwijl een ongecomprimeerde WAV in ongeveer 2 minuten vol zit. Rate limits lopen van 3 RPM (gratis tier) tot 2.000+ RPM (Tier 5), afhankelijk van de cumulatieve uitgaven van je account.

Wat zijn de beperkingen van Whisper AI?

Naast de bestandslimiet van 25MB heeft Whisper verschillende praktische beperkingen. Het ondersteunt geen realtime streaming -- je moet volledige bestanden uploaden. Zwaar geaccentueerde spraak en minder gangbare talen produceren lagere nauwkeurigheid. Achtergrondgeluid verlaagt de resultaten, hoewel Whisper matig geluid goed aankan dankzij de training op 680.000 uur diverse audiodata. De API mist ook sprekerherkenning (identificeren wie wat zei), waarvoor extra verwerking nodig is. Bekijk voor die mogelijkheid onze gids over AI-transcriptie met sprekerherkenning.

Hoeveel parameters heeft OpenAI Whisper?

De Whisper-modelfamilie loopt van 39 miljoen parameters (tiny) tot 1,55 miljard parameters (large). De API gebruikt de large-variant voor maximale nauwkeurigheid. Gebruikers die zelf hosten kunnen kleinere modellen kiezen voor snellere verwerking -- het tiny-model draait ongeveer 32x sneller dan large, wat het geschikt maakt voor realtime toepassingen waar snelheid belangrijker is dan perfecte nauwkeurigheid.

Wat is de OpenAI Whisper bestandslimiet?

25 MB per upload. Dit geldt voor het ruwe bestand dat in het multipart form-verzoek wordt verstuurd. De daadwerkelijke multipart-encoding voegt een kleine overhead toe, dus het is veiliger om bestanden op 24MB of lager te houden. Als je bestand deze limiet overschrijdt, comprimeer het (converteer naar MP3 op 64kbps) of splits het in kleinere stukken met FFmpeg.

Is OpenAI Whisper gratis?

Het open-source Whisper-model is volledig gratis om te downloaden en lokaal te draaien. De Whisper API kost $0,006 per minuut verwerkte audio. Nieuwe OpenAI-accounts ontvangen een klein tegoed, maar dat raakt snel op bij regelmatig gebruik. Voor teams die maandelijks meer dan 140 uur audio verwerken, wordt self-hosting op een GPU-server kosteneffectiever dan de API.

Hoe transcribeer je grote audiobestanden met de Whisper API?

Splits het bestand in stukken onder 25MB met FFmpeg: ffmpeg -i groot-bestand.mp3 -f segment -segment_time 600 -c copy chunk_%03d.mp3. Transcribeer vervolgens elk stuk apart via de API en voeg de resultaten in volgorde samen. Gebruik voor productieomgevingen op stilte gebaseerd splitsen om te voorkomen dat woorden halverwege een zin worden afgesneden, en verwerk stukken parallel om de totale verwerkingstijd te verkorten. Als alternatief kun je een beheerde service zoals TranscribeTube gebruiken die de verwerking van grote bestanden automatisch afhandelt.

Belangrijkste Conclusies

De limieten van de Whisper API zijn eenvoudig zodra je ze kent: 25MB bestandsgrootte, tier-gebaseerde rate limits, $0,006/min prijzen, zeven ondersteunde audioformaten. De 25MB-beperking is degene waar je het vaakst tegenaan loopt, en de oplossing is altijd een combinatie van compressie en het splitsen van bestanden.

Voor teams die net beginnen is de API het snelste pad naar nauwkeurige transcriptie. Naarmate je volume groeit, evalueer dan self-hosting of beheerde alternatieven die grote bestanden verwerken zonder handmatig te chunken.

Als je een transcriptieworkflow bouwt en het infrastructuurwerk wilt overslaan, verwerkt de audio naar tekst converter van TranscribeTube bestandslimieten, formaatconversie en het splitsen van grote bestanden automatisch -- zodat jij je kunt richten op wat je daadwerkelijk bouwt.