Aktuelles

10 Cent pro Stunde: Microsoft räumt beim Speech-to-Text-Markt ordentlich auf

Während OpenAI mit GPT-6 Astra gerade die "AGI-Ära" ausruft, macht Microsoft im Hintergrund das, was Microsoft am besten kann: unterbieten.

Mit MAI-Transcribe-2 bringt der Konzern ein Spracherkennungsmodell an den Start, das laut eigenen Angaben schneller, günstiger und in der Breite genauer ist als alles, was OpenAI, Google und ElevenLabs derzeit im Portfolio haben. Und das für gerade einmal 10 Cent pro Audiostunde.

Die Zahlen, die Microsoft gerne zeigt

MAI-Transcribe-2 wurde am 3. September 2026 veröffentlicht und belegt laut Microsoft Platz 1 im FLEURS-Multilingual-Benchmark über 60 Sprachen hinweg, mit einer durchschnittlichen Wortfehlerrate (Word Error Rate, WER) von 5,2 %. Beim unabhängigen Artificial-Analysis-Ranking landet das Modell auf Platz 2. Bei der Geschwindigkeit wird kräftig aufgetragen: bis zu 10× schneller als OpenAIs GPT-Transcribe, 7× schneller als ElevenLabs Scribe v2, 5× schneller als Googles Gemini 3.5 Transcribe. Neu mit an Bord: Sprechererkennung (Diarization), wortgenaue Zeitstempel, Keyword-Biasing für Fachbegriffe und automatische Spracherkennung inklusive Code-Switching - also Konversationen, die etwa zwischen Englisch und Hindi oder Englisch und Spanisch hin- und herwechseln.

Der Preis: 0,10 US-Dollar pro Audiostunde - befristet bis Ende 2026. Zum Vergleich: Der Vorgänger MAI-Transcribe-1 kostete zum Start noch 0,36 US-Dollar. Ein Rabatt von rund 72 Prozent binnen fünf Monaten. Was danach passiert, hat Microsoft bislang nicht verraten - Kalkulierbarkeit sieht anders aus, aber dazu gleich mehr.

Die Zahlen, die Microsoft weniger gerne zeigt

Wer genauer hinschaut, findet ein paar Fußnoten, die in der Pressemitteilung naturgemäß fehlen. Die durchschnittliche FLEURS-Fehlerrate von 5,2 % ist tatsächlich höher als die 3,7 %, die Microsoft im Juni für MAI-Transcribe-1.5 gemeldet hatte - ein Aggregatwert über 60 Sprachen kann eben auch schwache Einzelsprachen verstecken. Bei Sprachen wie Armenisch oder Dänisch liegt Googles Gemini 3.1 Pro laut unabhängigen Tests sogar vorn. Und die "Nummer 1"-Platzierung gilt eben nur für den FLEURS-Benchmark, der auf vorgelesenem Text basiert - nicht auf echten, chaotischen Gesprächen mit Überlappungen, Dialekten und Hintergrundlärm.

Warum das trotzdem relevant ist

MAI-Transcribe-2 ist explizit auf Entwickler und Business-Anwendungen zugeschnitten - von der Arzt-Dokumentation über juristische Protokolle bis zu Untertiteln. Für alle, die Transkriptions-Workloads in eigene Anwendungen einbauen (Meeting-Notizen, Podcast-Verarbeitung, Voice-to-Text-Features in Web-Apps), verschiebt sich damit die Preis-Leistungs-Kurve spürbar. Und strategisch zeigt der Move einmal mehr, wie konsequent Microsoft seine Abhängigkeit von OpenAI reduziert - ein hauseigenes Modell, das explizit gegen GPT-Transcribe antritt, ist da eine klare Ansage.

Unser Fazit

Für Prototyping und Volumen-Workloads ist MAI-Transcribe-2 aktuell schwer zu schlagen - die Kombination aus Preis, Geschwindigkeit und Sprachabdeckung ist real, auch wenn die Marketing-Folie ein paar Ecken glattbügelt. Wer produktiv darauf baut, sollte allerdings zwei Dinge einplanen: erstens einen Blick auf die Fehlerrate der konkret benötigten Sprache statt auf den Durchschnittswert, und zweitens einen Plan B für den Tag, an dem aus 10 Cent plötzlich wieder 36 werden.

Foto: ©Lex McKee CC BY-NC 2.0

08.09.2026