Microsoft hat den Preis für KI-gestützte Sprachtranskription mit der Einführung von MAI-Transcribe-2 um 72 Prozent gesenkt, einem neuen Modell seiner hauseigenen Microsoft-KI-Abteilung, das nach Angaben des Unternehmens OpenAI, Google und ElevenLabs sowohl hinsichtlich Genauigkeit als auch Geschwindigkeit übertrifft. Das am 3. September 2026 eingeführte Modell kostet bis zum 31. Dezember 2026 nur 0,10 US-Dollar pro Audiostunde – ein deutlicher Rückgang gegenüber den 0,36 US-Dollar pro Stunde, die Microsoft im Juni für sein vorheriges MAI-Transcribe-1.5-Modell verlangte.

Der Schritt ist das bisher deutlichste Zeichen dafür, dass die Microsoft-KI-Abteilung von Mustafa Suleyman, die sich um das Team dreht, das Microsoft im März 2024 von Inflection AI eingestellt hat, direkt mit den Partnern und Konkurrenten konkurrieren will, auf die sie sich einst verlassen hat. Für Entwickler, die die sich schnell verändernde Wirtschaftlichkeit von KI-APIs verfolgen, deckt AI Buzz Wire alle wichtigen Einführungen von KI-Tools ab, sobald diese stattfinden.

Die Zahlen hinter der Preissenkung

Laut dem Startbeitrag von Microsoft und der Benchmark-Berichterstattung von VentureBeat belegt MAI-Transcribe-2 mit einer durchschnittlichen Wortfehlerrate von 5,2 Prozent den ersten Platz im mehrsprachigen FLEURS-Benchmark für 60 Sprachen. Auf der unabhängigen Non-Streaming-Bestenliste von Artificial Analysis weist das Modell eine Wortfehlerrate von 2,0 Prozent auf und belegt in puncto Genauigkeit insgesamt den zweiten Platz, nur hinter Alibabas Fun-Realtime-ASR-Preview.

Geschwindigkeit ist der Punkt, an dem Microsoft behauptet, dass sich die Lücke wirklich öffnet. Basierend auf Auswertungen der künstlichen Analyse sagt das Unternehmen, dass MAI-Transcribe-2 zehnmal schneller läuft als GPT-Transcribe von OpenAI, siebenmal schneller als Scribe v2 von ElevenLabs und fünfmal schneller als Googles Gemini 3.5 Transcribe. Artificial Analysis listet das Modell derzeit mit einem durchschnittlichen Geschwindigkeitsfaktor von 410,7 auf, was bedeutet, dass eine Stunde Audio in etwa neun bis zehn Sekunden transkribiert werden kann.

Was das Modell kann

Abgesehen von der reinen Geschwindigkeit und dem Preis ist die Funktionsliste eher auf Produktions-Workloads als auf Demos ausgerichtet. MAI-Transcribe-2 ist über Microsoft Foundry, den MAI Playground und OpenRouter erhältlich und unterstützt die automatische Spracherkennung, den Codewechsel zwischen Sprachen mitten im Satz, die Diarisierung des Sprechers, Zeitstempel auf Wortebene, die Ausrichtung auf Schlüsselwörter und konfigurierbare Transkriptstile.

Diese Funktionen entscheiden darüber, ob ein Transkript tatsächlich in den Umgebungen verwendet werden kann, in denen Transkription Geld verdient: Callcenter, die Kundenbeschwerden weiterleiten, Kliniken, die Besuche dokumentieren, Nachrichtenredaktionen, die Interviews bearbeiten, und Besprechungsräume, in denen mehrere Personen miteinander reden. Insbesondere durch Keyword-Biasing können Entwickler dem Modell domänenspezifisches Vokabular beibringen – Medikamentennamen, Produkt-SKUs, Rechtsbegriffe –, ohne etwas umlernen zu müssen.

Eine bewusste Strategie von Suleyman's Shop

MAI-Transcribe-2 ist das zweite Transkriptionsmodell von Microsoft AI innerhalb von drei Monaten. MAI-Transcribe-1 startete für 0,36 US-Dollar pro Stunde, und MAI-Transcribe-1.5 folgte im Juni mit Unterstützung für 43 Sprachen und einem dritten Platz im Bereich Künstliche Analyse. Das neue Modell erweitert die Abdeckung auf 60 Sprachen und senkt gleichzeitig den Preis um mehr als zwei Drittel.

Die Einheit hat zuvor MAI-1 für Text und MAI-Voice-1 für die Spracherzeugung sowie aktuelle Cybersicherheits- und Bildmodelle ausgeliefert. Was bei der Einführung auffällig fehlt, ist die Erwähnung von Copilot oder OpenAI – bemerkenswert angesichts der milliardenschweren Investition von Microsoft in OpenAI und der Geschichte der Weiterleitung von KI-Funktionen über diese Partnerschaft. Stattdessen verkauft Microsoft ein Modell der Marke Microsoft, das direkt mit dem Transkriptionsprodukt von OpenAI konkurriert.

Ein Preiskampf in der Sprach-KI

Der Transkriptionsmarkt hat sich in aller Stille zu einem der wettbewerbsintensivsten Bereiche der angewandten KI entwickelt, und der Preisdruck ist real: Microsoft weist darauf hin, dass der Aktionspreis von 0,10 US-Dollar am 31. Dezember 2026 ausläuft, was sowohl als Kundenanreiz als auch als Warnung für die Wettbewerber vor der Preisentwicklung dient.

Für Start-ups in diesem Bereich ist die Rechnung brutal. Wenn ein Hyperscaler höchste Genauigkeit für ein Zehntel Dollar pro Audiostunde liefern und dabei eine Stunde Audio in Sekundenschnelle umsetzen kann, müssen durch Risikokapital finanzierte Transkriptionsanbieter Wert auf vertikale Spezialisierung, Workflow-Integration oder Datenschutzgarantien legen – oder sich ganz aus dem Markt verdrängen.

Für Käufer ist die Botschaft inzwischen so einfach wie seit Jahren nicht mehr: Moderne Spracherkennung kostet heute weniger als einen Cent pro Stunde und wird immer günstiger.

Bleiben Sie der KI immer einen Schritt voraus

Jede Woche kommen neue KI-Tools auf den Markt und die Gewinner und Verlierer wechseln schnell. Folgen Sie AI Buzz Wire für unabhängige Berichterstattung über den Markt für KI-Tools.

Lesen Sie die neuesten KI-Nachrichten →