Microsoft senkt den Preis für Transkription auf 10 Cent je Audiostunde
MAI-Transcribe-2 kostet 0,10 Dollar je Audiostunde, führt FLEURS über 60 Sprachen an und läuft vorerst als Public Preview in Microsoft Foundry.
Microsoft hat am 3. September 2026 das Spracherkennungsmodell MAI-Transcribe-2 veröffentlicht. Es kostet 0,10 US-Dollar je Stunde Audio und ist über Microsoft Foundry, das MAI Playground und OpenRouter erreichbar. Der Vorgänger MAI-Transcribe-1 lag im April 2026 noch bei 0,36 Dollar je Audiostunde.
Den neuen Satz nennt Microsoft ein befristetes Einführungsangebot, das bis zum Jahresende 2026 gilt. Was danach berechnet wird, steht bisher nicht fest.
Die Zahlen aus der Ankündigung
Microsoft führt zwei Messungen an. Auf dem FLEURS-Benchmark liegt das Modell nach eigenen Angaben über 60 Sprachen hinweg auf Platz eins, mit einer durchschnittlichen Wortfehlerrate von 5,2 Prozent. Auf der Rangliste des Analysedienstes Artificial Analysis, der mit anderem Material misst, steht es bei der Wortfehlerrate auf Platz zwei.
Beim Tempo verweist Microsoft ebenfalls auf Artificial Analysis: bis zu zehnmal schneller als GPT-Transcribe von OpenAI, siebenmal schneller als Scribe v2 von ElevenLabs und fünfmal schneller als Gemini 3.5 Transcribe. Der Abstand fällt vor allem bei langen Aufnahmen ins Gewicht, wo bisher die Wartezeit den Einsatz begrenzte.
Preise der Wettbewerber nennt Microsoft in der Ankündigung nicht, nur Vergleichswerte zu Genauigkeit und Geschwindigkeit.
Funktionsumfang
Die Dokumentation listet die Optionen der API auf:
- Sprechertrennung, die Abschnitte einzelnen Personen zuordnet
- Zeitstempel wahlweise pro Wort oder pro Abschnitt
- zwei Ausgabestile: wörtlich mit Füllwörtern und Selbstkorrekturen oder bereinigt für lesbare Protokolle
- Stichwortlisten, mit denen sich Fachbegriffe, Produktnamen und Abkürzungen bevorzugen lassen
- automatische Spracherkennung über 60 Sprachen, inklusive Wechseln mitten im Satz
Als Einsatzfelder nennt Microsoft Untertitel, Besprechungen, klinische Notizen, Dokumentation in Callcentern, Barrierefreiheit und Sprachagenten.
Was der Einsatz voraussetzt
Das Modell steht als Public Preview bereit, also ohne zugesicherte Verfügbarkeit und nach Microsofts eigener Empfehlung nicht für den Produktivbetrieb. Nötig sind ein Azure-Abonnement und eine Foundry-Ressource für Speech; verfügbar ist das Modell nur in bestimmten Regionen.
Audiodateien dürfen höchstens 300 MB groß sein und müssen als WAV, MP3 oder FLAC vorliegen. Eine Streaming-Variante für laufende Gespräche erwähnt die Ankündigung nicht, das Modell verarbeitet fertige Aufnahmen. Für Echtzeitanwendungen lässt es sich über die Voice-Live-API als Eingabe-Transkription einbinden.
Der Preis verschiebt die Frage von der Technik zur Organisation
Bei 10 Cent je Stunde kostet die Mitschrift einer Wochenbesprechung weniger als der Strom für den Konferenzraum. Ein Team, das 100 Stunden im Monat aufzeichnet, zahlt 10 Dollar. Die Kosten sind damit kein Grund mehr, auf automatische Protokolle zu verzichten, und die Entscheidung verlagert sich auf andere Punkte.
Der erste ist die Aufzeichnung selbst. Ein Mitschnitt eines Gesprächs ist in Deutschland nur mit Einwilligung aller Beteiligten zulässig, und wer regelmäßig Besprechungen protokolliert, verarbeitet dabei personenbezogene Daten von Beschäftigten, Kunden und Dritten. Dazu gehören eine Rechtsgrundlage, eine Aufbewahrungsfrist und bei Beschäftigten in der Regel die Beteiligung des Betriebsrats.
Der zweite ist der Weg der Daten. Eine Cloud-Transkription bedeutet, dass die Aufnahme das eigene Netz verlässt. Bei Azure lässt sich die Region wählen, es gibt einen Auftragsverarbeitungsvertrag, und die Zusagen zur Datenverarbeitung stehen in den Vertragsbedingungen, nicht im Blogbeitrag zum Modell. Wer Mandanten-, Patienten- oder Personalgespräche transkribieren will, prüft diese Punkte vor der Preisliste.
Der dritte betrifft die Herkunft des Modells. Microsoft beschreibt die Trainingsdaten als große Mengen frei zugänglicher Webdaten. Für regulierte Branchen ist das die übliche offene Flanke, weil sich daraus weder Zusammensetzung noch Rechtsgrundlage der Trainingsmenge nachvollziehen lässt.
Als Gegenmodell bleibt lokale Verarbeitung. Offene Modelle wie Whisper laufen auf eigener Hardware, arbeiten je nach Ausstattung deutlich langsamer und liegen bei der Genauigkeit hinter den aktuellen Cloud-Modellen. Der Abstand, den ein solcher Preis erzeugt, ist damit weniger einer der Technik als einer der Zuständigkeit: Wer die Aufnahme weggibt, muss sagen können, wohin sie geht.
