Microsoft startet MAI‑Transcribe‑2‑Streaming für Echtzeit‑Spracherkennung in 60 Sprachen zum Preis von 0,54 $ pro Stunde

Am 1. Oktober 2026 hat Microsoft AI bekannt gegeben, dass sein Dienst MAI‑Transcribe‑2‑Streaming in die öffentliche Vorschau übergegangen ist. Diese Ankündigung signalisiert, dass der Dienst nun als cloud‑basierte Echtzeit‑Spracher‑zu‑Text‑Engine zur Verfügung steht, die Audio‑Streams in sechzig Sprachen verarbeiten kann und sowohl Teil‑ als auch End‑Transkripte liefert, während das Audio weiterläuft. Microsoft positioniert den Dienst als kostengünstige Option für Entwickler, die sofortige Untertitel, Live‑Übersetzungs‑Pipelines oder sprachgesteuerte Analysen benötigen.

Funktionen der Echtzeit‑Transkription

Streaming‑Transkription unterscheidet sich von der Stapelverarbeitung dadurch, dass das Modell Hypothesen erzeugt, während der Sprecher noch spricht. MAI‑Transcribe‑2‑Streaming behauptet, dass es nach dem Eintreffen eines Audiosamples in etwa einhundert Millisekunden eine erste Hypothese erzeugt, gefolgt von verfeinerten Teil‑Ergebnissen und einem abschließenden, mit Interpunktion versehenen Transkript. Das System führt zudem eine kontinuierliche Spracherkennung durch und wechselt automatisch zwischen akustischen und sprachlichen Modellen, sobald es einen Wechsel unter den unterstützten sechzig Sprachen erkennt, wodurch ein separater Sprachwahl‑Schritt überflüssig wird.

Entwickler können den Dienst über Microsoft Foundry erreichen, das eine Realtime‑API bereitstellt, die die WebSocket‑Muster der Streaming‑Endpunkte von OpenAI spiegelt. Dieselbe Funktionalität ist ebenfalls über das Azure Speech SDK verfügbar, sodass die Integration in Windows‑, Linux‑, Mobil‑ und Web‑Anwendungen mit minimalen Code‑Änderungen möglich ist. Microsofts Dokumentation betont, dass die API rohe Audio‑Frames akzeptiert und JSON‑kodierte Transkript‑Fragmente zurückgibt, was die Kompatibilität mit bestehenden Echtzeit‑Pipelines sicherstellt.

Benchmark‑Leistung und Genauigkeit

Artificial Analysis, eine unabhängige Benchmark‑Plattform, hat MAI‑Transcribe‑2‑Streaming an die Spitze seiner Streaming‑Word‑Error‑Rate‑(WER‑)Rangliste gesetzt, die achtundachtzig Modelle auf einem gemeinsamen acht‑Stunden‑Testmix verglich. Laut diesem Benchmark erreichte das Modell für End‑Transkripte eine WER von 2,5 % bei einer durchschnittlichen Latenz von 0,13 Sekunden, und dieselbe WER von 2,5 % für die ersten Teil‑Ergebnisse, die in 0,12 Sekunden geliefert wurden. MarkTechPost berichtete über diese Zahlen und wies darauf hin, dass der Testmix eine Vielzahl von Sprechern, Akzenten und Hintergrundgeräuschen enthielt.

Microsofts eigene Messungen bilden die Grundlage der Benchmark‑Zahlen, und das Unternehmen warnt, dass Geschwindigkeitsangaben außerhalb des Artificial‑Analysis‑Tests als interne Schätzungen zu behandeln sind. Die öffentliche Vorschau beinhaltet keinen produktions‑relevanten Service‑Level‑Agreement (SLA), was bedeutet, dass Unternehmen, die mission‑kritische Einsätze planen, die Zuverlässigkeit und Latenz unter ihren eigenen Workloads prüfen müssen, bevor sie zu einer kostenpflichtigen Stufe wechseln.

Preisgestaltung, verwandte Modelle und Vorschau‑Grenzen

Für die Dauer der Vorschau hat Microsoft einen Einführungspreis von 54 Cent pro Stunde verarbeiteter Audiodaten festgelegt, ein Satz, der bis zum Ende des Jahres 2026 gültig bleibt. Die Vorschau enthält kein formelles SLA, und die Nutzung über die angekündigten Benchmark‑Zahlen hinaus ist nicht garantiert. Neben dem Transkriptions‑Dienst hat Microsoft auch MAI‑Voice‑2.1 und Voice‑2.1‑Flash veröffentlicht, wobei Letzteres als in der Lage beworben wird, 45 Sekunden synthetische Sprache mit einer End‑zu‑End‑Latenz von etwa 150 Millisekunden zu erzeugen, zu einem Preis von 15 Dollar pro Million Zeichen.

Das Flash‑Modell ist für Szenarien mit niedriger Latenz bei der Sprachgenerierung gedacht, etwa interaktive Assistenten oder Echtzeit‑Dubbing, und ergänzt die Streaming‑Transkriptions‑Engine, indem es einen schnellen, hochwertigen Sprach‑Ausgabepfad bereitstellt. Beide Modelle teilen dieselbe Integrations‑Oberfläche über Microsoft Foundry, sodass Entwickler bei Bedarf Transkription und Synthese in einer einzigen WebSocket‑Sitzung verketten können.

• Unterstützt 60 Sprachen mit automatischer Erkennung
• Erste Hypothese wird ca. 100 ms nach Audio‑Empfang erzeugt
• Benchmark‑gemeldete 2,5 % WER bei 0,13 s Latenz für End‑Transkripte
• Einführungspreis von $0,54 pro Audio‑Stunde (Vorschau‑Phase)
• Zugriff über Microsoft Foundry Realtime‑API und Azure Speech SDK

Die Kombination aus niedriger Latenz, mehrsprachiger Abdeckung und einem transparenten Preismodell eröffnet Entwicklern neue Möglichkeiten für Live‑Untertitel, mehrsprachige Call‑Center‑Analysen oder Echtzeit‑Übersetzungs‑Dienste. Da der Dienst Teil‑Ergebnisse streamt, können Anwendungen bereits mit der Textverarbeitung beginnen, bevor der Sprecher fertig ist, wodurch die End‑zu‑End‑Reaktionszeit für nachgelagerte KI‑Komponenten wie Sentiment‑Analyse oder Intent‑Erkennung reduziert wird. Die moderate Kostenstruktur senkt zudem die Einstiegshürde für Start‑ups und Forschungsteams, die zuvor wegen hoher Minuten‑Gebühren von Cloud‑Transkriptionen Abstand genommen haben.

Für Organisationen, die in englischsprachigen Märkten tätig sind, bedeutet die Vorschau, dass Echtzeit‑Sprachschnittstellen nun zu einem Bruchteil der Kosten früherer Azure‑Speech‑Angebote bereitgestellt werden können, während gleichzeitig ein breites Spektrum an Sprachen für globale Teams abgedeckt wird. Unternehmen können Live‑Untertitel für Webinare testen, sofortige Untertitel in Video‑Plattformen integrieren oder Sprach‑gesteuerten Kundensupport mit on‑the‑fly‑Transkription ergänzen, alles ohne sich sofort an ein Produktions‑SLA zu binden, bis der Dienst die Vorschauphase verlässt.