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 Labor im FLEURS‑Benchmark in 60 Sprachen den ersten Platz belegt und eine durchschnittliche Wortfehlerrate von 5,2 % aufweist. In seine Ankündigung beschrieb Microsoft das Modell als sein bisher leistungsfähigstes Transkriptionssystem und setzte den Preis auf 0,10 $ pro Stunde Audio fest.

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 schnellerer Inferenz mit deutlich geringerer Latenz, insbesondere bei Langform‑Audio, mit bis zu dem Zehnfachen der Verarbeitungsgeschwindigkeit führender Wettbewerber. Außerdem wurde angegeben, dass das Modell die Transkriptionsqualität bei Geräuschbedingungen 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‑s 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 durchgehend hohe Genauigkeit aufweist. 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, wodurch Komplexität reduziert und potenziell GPU‑Ressourcen gespart werden. In der Ankündigung wird außerdem angegeben, dass die Geschwindigkeit und Durchsatz des Modells Microsoft ermöglichen, das, was als der wettbewerbsfähigste Preis auf dem Markt bezeichnet wird, anzubieten. Zum Start ist der Stundensatz von 0,10 $ 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 Produktions‑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. Audio‑Eingaben 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 das Timing für jedes Wort zurück, während eine Segment‑Option das Timing pro Segment liefert und die Option „none“ Zeitdaten weglässt. Ein Phrase‑List‑Parameter beeinflusst die Erkennung zugunsten bereitgestellter Begriffe wie fachspezifischer 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 Sprache 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 außerhalb kontrollierter Umgebungen aufgezeichnetes Audio ist dem Modell inhärent.

Die Dokumentation weist zudem darauf hin, dass MAI‑Transcribe die Transkription von Eingabe‑Audio über die Voice‑Live‑API mittels eines Sitzungs‑Konfigurationsfeldes bereitstellen kann. Microsoft erklärte, dass das Modell über Microsoft Foundry und den MAI‑Playground sowie OpenRouter demonstriert werden kann.