Die Zahl, auf die es ankommt
Meta Superintelligence Labs hat Muse Voice Transcribe am 1. September gestartet, und das Modell übernahm noch am selben Tag den ersten Platz auf der unabhängigen Streaming-Rangliste für Sprache-zu-Text von Artificial Analysis.
Das Modell vereint zwei Aufgaben, die die meisten Transkriptions-Pipelines bisher als getrennte Schritte behandelt haben: Sprechererkennung, die zeigt, wer gerade spricht, und Endpointing, das erkennt, wann jemand aufgehört hat zu sprechen. Meta hat es mit mehr als 70 Sprachen trainiert, 25 davon zum Start validiert, und es verarbeitet 20 oder mehr gleichzeitige Sprecher, Aufnahmen von über einer Stunde Länge und Sprecher, die mitten im Gespräch die Sprache wechseln, ohne dass ein manueller Reset nötig ist. Der Zugang läuft über Metas Model API zu 3 USD pro 1.000 Audiominuten, was 0,18 USD pro Stunde transkribiertem Audio entspricht.
Was Unternehmen bisher gezahlt haben
Die meisten Firmen, die Anruftranskription, Meeting-Notizen oder Kundenservice-Audio über eine API verarbeiten, zahlen heute faktisch für zwei Dinge gleichzeitig, auch wenn die Rechnung nur eine Position zeigt: das reine Transkript und die zusätzliche Verarbeitung, die daraus etwas Nutzbares macht.
Die Whisper-API von OpenAI listet öffentlich einen reinen Transkriptionspreis von rund 0,006 USD pro Minute, was etwa 0,36 USD pro Stunde entspricht, wobei die Sprechererkennung meist ein separater Schritt oder ein eigenes Tool ist. Azure Speech und Google Speech-to-Text bepreisen ihre Standardtarife in einer ähnlichen Größenordnung, oft nahe 1 USD pro Stunde, bevor die Sprecheridentifikation als eigenes Feature oder eigener Tarif dazukommt. Jede dieser Konstellationen verlangt von einem Unternehmen, zweimal zu zahlen und zweimal zu integrieren, für ein Ergebnis, das Meta jetzt als ein Modell zu einem Preis liefert.
| Dienst | Preis pro 1.000 Minuten | Preis pro Stunde | Sprechererkennung enthalten |
|---|---|---|---|
| Meta Muse Voice Transcribe | 3,00 USD | 0,18 USD | Ja, eingebaut |
| OpenAI Whisper API (nur Transkription) | ~6,00 USD | ~0,36 USD | Nein, separater Schritt |
| Typischer Standardtarif für Cloud-Sprache-zu-Text | ~15-24 USD | ~0,90-1,44 USD | Oft ein separates Zusatzfeature |
Die Euro-Rechnung, ungefähr
Rechnet man Metas Stundensatz in Euro um, landet die Zahl, die ein Finanzteam in der EU oder in Großbritannien tatsächlich gegen eine Rechnung halten kann, bei rund 0,17 Euro pro Stunde.
Diese Umrechnung nutzt einen groben Dollar-Euro-Kurs nahe 0,92 und verschiebt sich mit dem Markt, sie ist also ein Richtwert und keine rechnungsfähige Zahl. Nach derselben Rechnung liegt der Preis pro 1.000 Minuten bei etwa 2,76 Euro. Jedes Unternehmen, das spürbar mehr für Transkription, Sprechererkennung und Endpointing zusammen zahlt, hat damit zum ersten Mal einen öffentlichen Referenzpreis, gegen den es den eigenen Anbietervertrag halten kann, statt nur ein Angebot vom Vertrieb.
Kaufen, selbst bauen oder wechseln
Die Entscheidung, vor der jedes Team in der EU oder in Großbritannien mit einer Audio-Pipeline steht, ist nicht, ob Metas Modell technisch beeindruckend ist, sondern ob der aktuelle Anbieter-Stack seinen Aufpreis noch verdient, jetzt wo Sprechererkennung und Endpointing keine getrennten Werkzeuge mehr brauchen.
Das Modell trägt bereits Last in Metas eigenen Produkten, es treibt Diktierfunktionen auf dem Mac und das firmeneigene Tool Muse Code an, was zeigt, dass das System im Produktivbetrieb gehärtet wurde und kein Demo für eine Rangliste ist. Für ein Team, das einen Aufpreis zahlt, um Transkription, Sprecherlabels und Sprechpausenerkennung aus drei verschiedenen Anbietern zusammenzufügen, ist genau diese Kombination aus öffentlichem Preis und laufendem Produktivbetrieb der Teil, auf den es ankommt. Die Diktierfunktion auf dem Mac ist einfach der Ort, an dem die meisten Menschen das zugrunde liegende Modell zuerst bemerken werden.
Warum wir das tun
Wir tun das für alle, die versuchen, mit dem Schritt zu halten, was Technologie mit unserem Leben macht. Für die Menschen, die sie bauen, und für die Menschen, denen sie widerfährt. Das Servola Journal existiert, damit das, was wir lernen, ihnen allen gehört.
Niemand bezahlt uns dafür. Keine Werbung, keine Bezahlschranke, kostenlos für alle. Wir glauben einfach, dass das Verstehen dessen, was mit uns allen gerade passiert, nicht davon abhängen sollte, wer es sich leisten kann, dafür zu bezahlen.
Wenn Ihnen das heute etwas gegeben hat, sagen Sie uns, dass wir weitermachen sollen. Folgen Sie uns, hinterlassen Sie ein Like oder schreiben Sie einen positiven Kommentar. Wir lesen jeden einzelnen, und sie sind es, was uns weitermachen lässt.
Weiterlesen: Zweites LED-Update, CNIL-Einwand bleibt unbeantwortet | Texas' Alleingang gegen Meta bringt über 2 Milliarden
