Was Microsoft veröffentlicht hat, und wo es steht
Microsoft veröffentlichte MAI-Transcribe-2 am 3. September 2026, und das Modell führt nun FLEURS an, den Standard-Benchmark für mehrsprachige Spracherkennung in 60 Sprachen, mit einer durchschnittlichen Wortfehlerrate von 5,2 Prozent. Auf der separaten Artificial-Analysis-Rangliste belegte es Platz zwei.
Das Modell bietet Sprechererkennung, wortgenaue Zeitstempel, gezielte Schlüsselwörter, konfigurierbare wörtliche oder bereinigte Transkriptionsstile, Sprachwechsel mitten im Satz und automatische Spracherkennung. Es ist über Microsoft Foundry, den MAI Playground und Open Router verfügbar.
Die entscheidende Zahl ist der Preis, nicht die Punktzahl
Microsoft berechnet 0,10 Dollar pro verarbeiteter Audiostunde, ein befristetes Angebot bis Ende 2026. Eine Microsoft-Erklärung nannte es nicht nur das bislang fähigste Transkriptionsmodell des Unternehmens, sondern das fähigste und effizienteste unter allen Wettbewerbern.
Eine Benchmark-Platzierung kann jedes Labor im nächsten Quartal mit eigenen Zahlen widerlegen. Ein derart niedriger Preis von einem Unternehmen mit Microsofts Vertriebsreichweite lässt sich schwerer zurücknehmen, sobald Kunden ihre Arbeitsabläufe darauf aufgebaut haben.
Der Geschwindigkeitsvergleich, in Microsofts eigenen Zahlen
Microsofts veröffentlichte Geschwindigkeitsangaben im Vergleich zu den drei direkt genannten Transkriptionsmodellen sehen so aus:
| Modell | Anbieter | Geschwindigkeit vs. MAI-Transcribe-2 |
|---|---|---|
| MAI-Transcribe-2 | Microsoft | Referenzwert |
| GPT-Transcribe | OpenAI | 10-mal langsamer |
| Scribe v2 | ElevenLabs | 7-mal langsamer |
| Gemini 3.5 Transcribe | 5-mal langsamer |
Dies sind Microsofts eigene Vergleiche, kein unabhängiger Drittanbietertest. Ein Unternehmen, das einen Wechsel erwägt, sollte trotzdem eigenes Audiomaterial durch jede Option laufen lassen, bevor es sich festlegt.
Warum das eine Margenfrage ist, nicht nur eine Modellfrage
Viele europäische Tools verkaufen Sprache-zu-Text als gebündelte Funktion innerhalb eines Anrufaufzeichnungs-, Besprechungsnotizen- oder Kundensupport-Produkts, deutlich teurer als das, was reiner Modellzugang inzwischen kostet. Diese Lücke war früher der Preis für brauchbare Genauigkeit; zunehmend ist sie einfach der Aufschlag des Anbieters.
Ein Unternehmen, das eine monatliche Transkriptionsgebühr pro Sitzplatz zahlt, hat jetzt eine einfache Rechnung: die tatsächlichen monatlichen Audiostunden mit 0,10 Dollar multiplizieren und mit der Rechnung vergleichen. Eine große Lücke ist ein Gespräch mit dem Anbieter wert, keine Annahme, dass die Gebühr noch die zugrunde liegenden Kosten widerspiegelt.
Der Haken: ein Aktionspreis, keine Untergrenze
Microsofts eigene Ankündigung nennt 0,10 Dollar pro Audiostunde ausdrücklich als bis Ende 2026 verfügbar, nicht als dauerhaften Listenpreis. Preiskämpfe bei KI-Infrastruktur haben sich schon öfter so schnell umgekehrt, und Anbieter, die zur Marktanteilsgewinnung senkten, haben die Preise danach wieder angehoben.
Jeder Vertrag oder jedes interne Budget, das dieses Quartal auf diesem Preis aufbaut, sollte damit rechnen, dass er nächstes Jahr nicht mehr gilt, und eine Preisanpassungs- oder Ausstiegsklausel enthalten statt den Aktionstarif als Grundlage für einen Mehrjahresplan zu behandeln.
Weiterlesen: Microsoft wettet 2,5 Mrd.: Werkzeuge reichen nicht | Microsoft deckelt jetzt die KI-Ausgaben der eigenen Ingenieure
