MAI-Transcribe-2 führt den FLEURS-Benchmark in 60 Sprachen an, sagt Microsoft

Microsoft AI hat am 3. September 2026 MAI-Transcribe-2 veröffentlicht, ein Spracherkennungsmodell, das laut dem Labor im FLEURS‑Benchmark über 60 Sprachen hinweg den ersten Platz belegt und eine durchschnittliche Wortfehlerrate von 5,2 % aufweist. In seiner Ankündigung beschrieb Microsoft das Modell als sein bislang leistungsfähigstes Transkriptionssystem und setzte den Preis auf $0.10 pro Stunde Audio.

Microsoft erklärte, dass MAI-Transcribe-2 Sprecherdiarisierung, konfigurierbare Transkriptionsstile und Wort‑Zeitstempel hinzufügt und konkurrierende Modelle wie Gemini 3.5 Transcribe, GPT‑Transcribe, Whisper V3‑Large und ScribeV2 über ein breiteres Spektrum realer Audiodaten hinweg übertrifft. Laut der Ankündigung definiert das Modell die Pareto‑Grenze für Genauigkeit und Latenz bei Artificial Analysis und belegt den zweiten Platz in der Wortfehlerraten‑Rangliste von Artificial Analysis, wobei es die Ergebnisse früherer MAI‑Transcribe‑Versionen verbessert.

Microsoft positionierte das Modell für Anwendungsfälle wie klinische Notizen, juristische Dokumentation, Barrierefreiheit und Untertitelung. Das Unternehmen berichtete von schnelleren Inferenzzeiten mit deutlich geringerer Latenz, insbesondere bei langformatigen Audiodateien, und erreichte bis zu das Zehnfache der Verarbeitungsgeschwindigkeit führender Wettbewerber. Zudem wurde angegeben, dass das Modell die Transkriptionsqualität auch bei Geräuschbelastungen außerhalb kontrollierter Aufnahmesituationen beibehält.

Benchmark‑Ergebnisse

Unter Berufung auf von Artificial Analysis durchgeführte Bewertungen sagte Microsoft, dass MAI-Transcribe-2 zehnmal schneller ist als OpenAI’s GPT‑Transcribe, siebenmal schneller als ElevenLabs’ Scribe v2 und fünfmal schneller als Gemini 3.5 Transcribe, dabei jedoch eine höhere Genauigkeit liefert. Das Unternehmen erklärte, dass das Modell allein im attraktivsten Quadranten des Genauigkeit‑gegen‑Geschwindigkeit‑Diagramms des Benchmarks liegt, mit einer Fehlerrate von 2,0 % und einem Geschwindigkeitsfaktor von 403,6, was bedeutet, dass eine Stunde Audio in etwa zehn Sekunden zurückgegeben wird.

Im öffentlichen mehrsprachigen FLEURS‑Benchmark berichtete Microsoft, dass MAI-Transcribe-2 über alle 60 getesteten Sprachen hinweg konstant hohe Genauigkeit erzielt. Das Unternehmen beschrieb das Modell als genauer als jedes andere Modell in Bezug auf die Anzahl unterstützter Sprachen und erklärte, dass Entwickler, die in mehreren Sprachen transkribieren, sich auf ein einziges Modell verlassen können, was die Komplexität reduziert und potenziell die GPU‑Auslastung senkt. In der Ankündigung wird zudem angegeben, dass die Geschwindigkeit und der Durchsatz des Modells Microsoft ermöglichen, das, was als der wettbewerbsfähigste Preis auf dem Markt bezeichnet wird, anzubieten. Zum Start beträgt der Stundensatz $0.10 und ist ein zeitlich begrenztes Angebot, das bis zum Jahresende gilt.

Verfügbarkeit und Entwickler‑Funktionen

Die Microsoft‑Learn‑Dokumentation führt MAI‑Transcribe‑2 als in Azure Speech im öffentlichen Vorschau‑Modus verfügbar auf, ohne Service‑Level‑Agreement und nicht für produktive Workloads empfohlen. Die Dokumentation beschreibt MAI‑Transcribe als ein intern vom Microsoft‑AI‑Team entwickeltes Speech‑to‑Text‑Modell, das Anwendungsfälle wie Video‑Untertitelung, Besprechungen, klinische Notizen, Call‑Center‑Dokumentation, Barrierefreiheits‑Tools, Inhaltserstellung und Sprach‑Agenten abdeckt. Außerdem wird MAI‑Transcribe‑2 zusammen mit den früheren MAI‑Transcribe‑1.5 und MAI‑Transcribe‑1 aufgeführt, wobei Letzteres am 20. August 2026 eingestellt wurde.

Anfragen werden über den erweiterten Modus der Fast‑Transcription‑API geleitet, wobei das Modell durch Setzen der Modell‑Eigenschaft des erweiterten Modus auf MAI‑Transcribe‑2 ausgewählt wird. Audioeingaben sind auf Dateien unter 300 MB im WAV‑, MP3‑ oder FLAC‑Format beschränkt, und die Nutzung erfordert ein Azure‑Abonnement sowie eine Microsoft‑Foundry‑Ressource für Speech.

Optionale Parameter steuern den Funktionsumfang des Modells. Sprecherdiarisierung segmentiert eine Aufnahme nach Sprecher und liefert sprecher‑gekennzeichnete Segmente mit Offset‑ und Dauer‑Metadaten. Wort‑Zeitstempel geben die Zeit für jedes Wort an, während eine Segment‑Option die Zeit pro Segment zurückgibt und die Option „none“ Zeitdaten weglässt. Ein Phrase‑List‑Parameter beeinflusst die Erkennung zugunsten bereitgestellter Begriffe wie domänenspezifische Terminologie, Abkürzungen und Eigennamen; die Dokumentation weist darauf hin, dass diese Begriffe als Hinweise und nicht als erzwungene Ausgabe dienen.

Der Parameter für den Transkriptionsstil ist standardmäßig auf „verbatim“ gesetzt, wodurch die Rede exakt so erfasst wird, wie sie gesprochen wurde, einschließlich Füllwörtern und Fehlstarts, was für Compliance‑, QA‑ und Analyse‑Workloads wichtig ist. Die Einstellung „clean“ entfernt Füllwörter und formatiert gängige Sprachmuster automatisch, um lesbarere Untertitel, Notizen und veröffentlichte Transkripte zu erzeugen. Die Sprachauswahl ist optional; standardmäßig erkennt das Modell die gesprochene Sprache automatisch, und die Dokumentation empfiehlt, eine bestimmte Sprache nur dann zu erzwingen, wenn die automatische Erkennung fehlschlägt. Code‑Switching für gemischte Sprachpaare wie Hinglish und Spanglish wird automatisch verarbeitet, und die Geräuschrobustheit für Aufnahmen außerhalb kontrollierter Umgebungen ist im Modell verankert.

Die Dokumentation weist außerdem darauf hin, dass MAI‑Transcribe die Transkription von Eingabe‑Audio über die Voice‑Live‑API mittels eines Sitzungs‑Konfigurationsfeldes ermöglichen kann. Microsoft erklärte, dass das Modell über Microsoft Foundry und den MAI‑Playground demonstriert werden kann, wobei die Verfügbarkeit auf OpenRouter als „bald verfügbar“ gelistet ist.