Microsoft hat mit MAI-Transcribe-2 ein neues Spracherkennungsmodell veröffentlicht, das nach eigenen Angaben schneller, genauer und günstiger transkribiert als vergleichbare Modelle von OpenAI, Google und ElevenLabs. Eine Stunde Audio kostet ab sofort zehn US-Cent – ein Rückgang von rund 72 Prozent gegenüber dem Vorgängermodell aus dem Frühjahr. Das Modell ist ab sofort als öffentliche Vorschau in Microsoft Foundry verfügbar.
Benchmark misst Fehlerquote in 60 Sprachen
Auf dem FLEURS-Benchmark, der Spracherkennung in 60 Sprachen testet, erreicht MAI-Transcribe-2 eine durchschnittliche Wortfehlerquote von 5,2 Prozent und liegt damit an der Spitze. Die auf Modellvergleiche spezialisierte Plattform Artificial Analysis führt das Modell auf ihrem eigenen Geschwindigkeits-Ranking ebenfalls vorn, bei der reinen Fehlerquote landet es dort mit 2,0 Prozent auf Platz zwei hinter einem Konkurrenzmodell. Bei der Verarbeitungsgeschwindigkeit soll MAI-Transcribe-2 zehnmal schneller arbeiten als GPT-Transcribe von OpenAI, siebenmal schneller als Scribe v2 von ElevenLabs und fünfmal schneller als Gemini 3.5 Transcribe von Google – unabhängig nicht verifizierte Werte, die aus Tests von Artificial Analysis stammen und von Microsoft in der eigenen Ankündigung zitiert werden.
Für den Praxiseinsatz zählt neben der reinen Erkennungsrate auch die Robustheit bei Hintergrundgeräuschen und Dialekten. Zu den weiteren Funktionen zählen laut Produktseite Sprecher-Trennung, wortgenaue Zeitstempel und automatische Spracherkennung – Eigenschaften, die über reine Transkription hinausgehen und das Modell auch für Protokolle mehrstimmiger Meetings interessant machen.
Preis fällt binnen fünf Monaten um mehr als zwei Drittel
Der Einführungspreis von zehn US-Cent pro Stunde Audio gilt bis Ende 2026 und ersetzt die 36 US-Cent, die das Vorgängermodell MAI-Transcribe-1 seit seinem Start vor fünf Monaten kostete. Praktisch bedeutet das: Eine komplette Konferenz mit acht Stunden Diskussionen lässt sich für rund 80 US-Cent verschriften, ein einstündiges Kundengespräch für zehn Cent. Wie sich der Preis nach der Übergangsfrist entwickelt, lässt Microsoft offen.
Der Preisschritt reiht sich in einen branchenweiten Trend: OpenAI, Google und ElevenLabs senken die Kosten für Sprach-zu-Text-Dienste seit Monaten in ähnlichem Tempo, während die Genauigkeit gleichzeitig steigt. Für Unternehmen, die Meetings, Kundenanrufe oder Interviews in großem Umfang transkribieren, kann allein der Anbieterwechsel laufende Kosten spürbar senken. Auch für einzelne Nutzerinnen und Nutzer, die etwa mit der Diktierfunktion in Word Text per Sprache erfassen, zeigt der Preisverfall, wie schnell sich Spracherkennung im Alltag verbilligt – vorausgesetzt, Genauigkeit und Datenschutz halten dem Praxistest stand.
Zugang läuft über Foundry, Playground und OpenRouter
MAI-Transcribe-2 ist als öffentliche Vorschau in Microsoft Foundry sowie über den MAI Playground und den Marktplatz OpenRouter zugänglich, eine Demo lässt sich unter playground.microsoft.ai ausprobieren. Der Vorschau-Status bedeutet: Ein Service-Level-Agreement gilt noch nicht, für produktionskritische Anwendungen empfiehlt sich entsprechend Vorsicht. Zu einer separaten Verfügbarkeit in Europa oder Deutschland äußert sich Microsoft in der Ankündigung nicht. Da der Zugang über Cloud-Dienste läuft, dürfte das Modell auch hierzulande nutzbar sein, eine Bestätigung zur Datenspeicherung in EU-Rechenzentren steht jedoch noch aus.
Neben der Spracherkennung selbst unterstützt das Modell Keyword-Biasing für Fachbegriffe und wählbare Transkriptionsstile – wörtlich mit Füllwörtern oder bereinigt für Protokolle. Auch Code-Switching zwischen Sprachen innerhalb eines Satzes, etwa bei zweisprachigen Meetings, verarbeitet das Modell automatisch.
MAI-Transcribe-2 stammt aus demselben hauseigenen Microsoft-AI-Team, das bereits im Juli eigene MAI-Modelle in Excel und Outlook eingeführt und dort OpenAI- sowie Anthropic-Modelle abgelöst hatte. Die neue Transkriptions-Engine setzt diese Linie fort und macht Microsoft bei Spracherkennung unabhängiger von externen Anbietern – ein Baustein mehr im wachsenden hauseigenen Modell-Portfolio neben Text- und Bildgenerierung.
Entscheidend wird, ob Microsoft den Einführungspreis nach 2026 hält oder anhebt, sobald sich Workflows auf die günstigen Kosten eingestellt haben. Offen bleibt zudem, wie sich der Wettbewerb bei Transkriptionsdiensten weiterentwickelt, wenn Genauigkeit und Tempo bei mehreren Anbietern längst ausreichen und der Preis zum entscheidenden Kriterium wird.
