.jpg?w=1024)
Microsoft AI hat am Donnerstag MAI-Transcribe-2 veröffentlicht und fordert die Konkurrenz direkt heraus: Das Modell kombiniert Transkriptionsgeschwindigkeit auf Spitzenniveau mit einem disruptiv niedrigen Preis von 10 Cent pro Audiostunde.
Das Modell markiert Microsofts raschen Vorstoß, dedizierte Spracherkennungsmodelle direkt über Microsoft Foundry und MAI Playground bereitzustellen und dabei externe Labore zu umgehen.
Der zeitlich begrenzte Preis von 0,10 US-Dollar pro Stunde liegt rund 72 % unter dem Preis von 0,36 US-Dollar pro Stunde, der für MAI-Transcribe-1 und 1.5. Der niedrigere Preis könnte die Kosten für Unternehmen, die Aufzeichnungen aus Callcentern, Meetings und Compliance-Audio in großem Maßstab verarbeiten, erheblich senken.
Microsoft integriert außerdem mehrere auf Unternehmen ausgerichtete Funktionen in das Modell:
- Sprecherdifferenzierung und Zeitstempel: Liefert neben Zeitstempeln auf Wortebene Segmente mit gekennzeichneten Sprechern und ermöglicht so eine schnelle Suche und Navigation.
- Konfigurierbare Formatierung: Bietet einen „wörtlichen“ Stil, der Füllwörter für Prüfungen beibehält, sowie einen „bereinigten“ Stil für lesbare Meeting-Notizen.
- Breite Audiounterstützung: Die integrierte automatische Spracherkennung und der Sprachwechsel unterstützen natürliche mehrsprachige Wechsel wie Hinglish und Spanglish in 60 Sprachen.
- Domänenanpassung:Mit einer Keyword-Gewichtung können Teams das Modell auf branchenspezifische Akronyme, Fachbegriffe und Eigennamen ausrichten.
Benchmark-Leistung und unabhängige Tests
Microsoft zufolge führt MAI-Transcribe-2 den öffentlichen mehrsprachigen FLEURS-Benchmark über 60 Sprachen hinweg mit einer durchschnittlichen Wortfehlerrate (WER) von 5,2 % an.
Artificial Analysis führt das Modell derzeit insgesamt auf dem zweiten Platz bei der Genauigkeit, hinter Alibabas Streaming-Vorschau Fun-Realtime-ASR. In den Tests ohne Streaming erreichte MAI-Transcribe-2 eine WER von 2,0 % und einen medianen Geschwindigkeitsfaktor von 410,7-facher Echtzeit. Microsoft zufolge lief das Modell rund zehnmal schneller als OpenAI’s GPT-Transcribe, 7,5-mal schneller als ElevenLabs’ Scribe v2 und 4,6-mal schneller als Google’s Gemini 3.5 Transcribe in den unabhängigen Tests.
Microsoft baut sein hausinternes KI-Portfolio aus
Anders als ein multimodales Allzweckmodell wurde MAI-Transcribe-2 speziell für die Spracherkennung entwickelt. Dieser engere Fokus könnte Microsoft dabei helfen, für transkriptionsintensive Workloads eine schnellere Stapelverarbeitung zu geringeren Kosten bereitzustellen.
Die Veröffentlichung erweitert außerdem Microsofts Portfolio intern entwickelter KI-Modelle, wobei das Unternehmen nicht mitgeteilt hat, ob MAI-Transcribe-2 bestehende Transkriptionstechnologien in Teams, Nuance oder seinen anderen Produkten ersetzen wird.
Die Erkenntnisse von eWeek: Wie Microsoft im Vergleich abschneidet
Ein genauerer Blick auf die Benchmark-Daten zeigt, dass MAI-Transcribe-2 zwar hervorragende Gesamtwerte erzielt, die Leistung in den einzelnen Sprachen jedoch variiert.
Modell | WER laut Artificial Analysis | Medianer Geschwindigkeitsfaktor | Geschätzter Preis pro Stunde |
Microsoft MAI-Transcribe-2 | 2.0% | 410,7-fach | 0,10 US-Dollar zum Einführungspreis |
ElevenLabs Scribe v2 | 2.2% | 54,7-fach | Etwa 0,22 US-Dollar |
Google Gemini 3.5 Transcribe | 2.6% | 89,9-fach | Etwa 0,30 US-Dollar |
OpenAI GPT-Transcribe | 3.3% | 40,0-fach | Etwa 0,27 US-Dollar |
Microsoft MAI-Transcribe-1.5 | 2.4% | 190,3-fach | $0.36 |
Artificial Analysis vereinheitlicht die Preisangaben auf Grundlage der Kosten für die Verarbeitung von 1.000 Audiominuten. Die Geschwindigkeitswerte sind fortlaufend aktualisierte Mediane und können sich ändern, sobald neue Tests abgeschlossen werden.
MAI-Transcribe-2 übertrifft die Konkurrenz im Chinesischen (WER 4,5 %) und Französischen (WER 2,8 %). Allerdings ist Google's Gemini 3.1 Pro in Sprachen wie Armenisch (6,1 % gegenüber 12,6 %) und Dänisch (5,3 % gegenüber 5,4 %) besser, während Scribe v2 Afrikaans für sich entscheidet (10,6 % gegenüber 13,1 %).
Abwägungen beim Produktiveinsatz und Risiken für Unternehmen
Entwicklungsteams sollten beachten, dass Microsoft Learn MAI-Transcribe als öffentliche Vorschau ohne formelle Dienstgütevereinbarung einstuft und den Einsatz für Produktions-Workloads nicht empfiehlt. Der Dienst akzeptiert derzeit WAV-, MP3- und FLAC-Dateien mit einer Größe von bis zu 300 MB oder einer Länge von bis zu zwei Stunden.
Das Angebot von 0,10 US-Dollar pro Stunde soll außerdem Ende 2026 auslaufen, und Microsoft hat nicht bekannt gegeben, wie viel das Modell danach kosten wird. Für Unternehmen machen Preis, Geschwindigkeit und mehrsprachige Unterstützung das Modell zu einem lohnenden Kandidaten für Tests mit repräsentativen Aufzeichnungen. Der Vorschau-Status und die zeitlich begrenzte Preisgestaltung sprechen jedoch eher für eine begrenzte Evaluierung als für eine sofortige Migration geschäftskritischer Workloads.
Mehr dazu: Mistrals Voxtral Transcribe 2 bietet einen weiteren Ansatz für die Spracherkennung in Unternehmen, indem es Stapeltranskription mit einem Echtzeitmodell mit offenen Gewichten kombiniert.