Kurzfassung
Am 3. September 2026 hat Microsoft MAI-Transcribe-2 veröffentlicht, ein Speech-to-Text-Modell, das 60 Sprachen für 0,10 US-Dollar pro Audiostunde transkribiert – ein zeitlich befristeter Einführungspreis – und eine Stunde Audio in etwa zehn Sekunden verarbeitet; laut Microsoft zehnmal schneller als OpenAIs GPT-Transcribe. Für Entwicklungsteams ist Transkription damit praktisch zur Commodity geworden: präzise, mehrsprachig, echtzeitfähig und fast kostenlos. Das ermöglicht Funktionen, die bisher zu langsam oder zu teuer waren – Live-Untertitel, Callcenter-Analytics, Meeting-Protokolle, Sprachsuche –, vervielfacht aber auch die Menge sensibler Audiodaten, die Sie erfassen und nach DSGVO verantworten. Behandeln Sie das Thema als Teil Ihrer KI- und Datenstrategie, nicht als günstigere API-Position.
Was Microsoft am 3. September vorgestellt hat
Die Consumer-KI-Sparte von Microsoft hat MAI-Transcribe-2 veröffentlicht, ein Speech-to-Text-Modell, das nach eigenen Angaben das schnellste, genaueste und günstigste der Welt ist. Es transkribiert Audio in 60 Sprachen – nach 43 im Zwischen-Release vom Juni – und erreicht über diese Sprachen eine durchschnittliche Wortfehlerrate von 5,2 %. Damit liegt es im mehrsprachigen FLEURS-Benchmark auf Platz 1 und im Wortfehlerraten-Ranking von Artificial Analysis auf Platz 2. Das Modell trennt Sprecher, versieht einzelne Wörter mit Zeitstempeln, gewichtet branchenspezifische Fachbegriffe, kommt mit Gesprächen zurecht, die mitten im Satz die Sprache wechseln, und liefert wahlweise wörtlichen oder bereinigten Text. Für Teams, die KI- und Datenfunktionen entwickeln, deckt dieser Funktionsumfang die meisten realen Transkriptionsanforderungen ab.
Zwei Zahlen prägen die Ankündigung. Beim Tempo transkribiert MAI-Transcribe-2 eine Stunde Audio in etwa zehn Sekunden – laut Microsoft rund zehnmal schneller als OpenAIs GPT-Transcribe, siebenmal schneller als ElevenLabs’ Scribe v2 und fünfmal schneller als Googles Gemini 3.5 Transcribe. Beim Preis kostet es 0,10 US-Dollar pro Audiostunde, mehr als 70 % weniger als die 0,36 US-Dollar des Vorgängers MAI-Transcribe-1. Der Zugang läuft über Microsoft Foundry mit Azure Speech, den MAI Playground und OpenRouter – die meisten Teams erreichen das Modell also über Infrastruktur, die sie ohnehin nutzen.
Zum Preis gehört ein Vorbehalt, denn er beeinflusst die Planung am stärksten. Die 0,10 US-Dollar sind ausdrücklich ein befristetes Angebot, das laut Microsoft bis Ende 2026 gilt; einen Dauerpreis hat das Unternehmen nicht veröffentlicht. Aggressive Einführungspreise sind in der KI ein bekanntes Muster, um Entwickler zu gewinnen. Kalkulieren Sie Ihre Unit Economics deshalb mit dem späteren Standardpreis, nicht mit dem Aktionspreis. Die Richtung ist ohnehin klar: Transkription wird bei allen Anbietern günstiger und schneller, nicht nur bei diesem.
Warum Preis und Tempo die Rechnung ändern
Wird eine Fähigkeit gleichzeitig um eine Größenordnung billiger und schneller, liegt die eigentliche Veränderung nicht darin, dass bestehende Funktionen weniger kosten – sondern darin, dass bislang unwirtschaftliche Funktionen tragfähig werden. Bei 0,36 US-Dollar pro Stunde und Minuten an Latenz war es eine rechtfertigungsbedürftige Kostenposition, jedes Support-Gespräch, jedes Vertriebsgespräch oder jede Sprachnachricht zu transkribieren, und die Verzögerung fiel Nutzern auf. Bei 0,10 US-Dollar pro Stunde und zehn Sekunden pro Audiostunde wird „alles nahezu in Echtzeit transkribieren“ zur Standardannahme. Eine Million Audiostunden – ein ernsthaftes Volumen für ein mittelgroßes Produkt – kosten rund 100.000 US-Dollar, und bei weiter fallenden Preisen eher weniger. Kosten sind kein Grund mehr, das Feature nicht zu bauen.
Tempo zählt ebenso viel wie der Preis, denn die Latenz entscheidet, ob Transkription Teil eines Live-Erlebnisses sein kann oder nur nachträglich als Batch-Job läuft. Zehn Sekunden für eine Stunde Audio bedeuten, dass Streaming-Transkription mit einem Gespräch Schritt hält – genau das brauchen Live-Untertitel, Echtzeit-Hinweise im Callcenter, Meeting-Assistenten und Sprachschnittstellen. Der Unterschied zwischen „wir transkribieren die Aufnahme über Nacht“ und „wir zeigen den Text, während die Person spricht“ ist der Unterschied zwischen einer Analytics-Funktion und einem Produkterlebnis – und dieser Abstand ist gerade für alle kleiner geworden.
Strategisch wird Speech-to-Text so zur Commodity, wie es Objektspeicher oder Push-Benachrichtigungen geworden sind. Ist eine Fähigkeit billig, schnell und bei mehreren Anbietern verfügbar, entsteht Wettbewerbsvorteil nicht mehr dadurch, dass man sie hat, sondern dadurch, was man daraus macht: wie gut man das Transkript strukturiert, Absichten erkennt, es in den richtigen Workflow leitet und dabei die Privatsphäre der Nutzer respektiert. Das Modell ist Grundausstattung; das Produkt drumherum ist der Ort, an dem Arbeit und Differenzierung jetzt stattfinden.
Was bedeutet MAI-Transcribe-2 für den DACH-Markt?
Für die Infrastruktur heißt das: Prüfen Sie, ob das Modell in einer EU- bzw. Schweizer Azure-Region (etwa Germany West Central in Frankfurt oder Switzerland North in Zürich) verfügbar ist, bevor Sie es für personenbezogene Gespräche einplanen – ein neues Modell ist erfahrungsgemäß nicht ab dem ersten Tag in allen Regionen ausgerollt. In der Schweiz gilt seit September 2023 das revidierte Datenschutzgesetz (revDSG), in Österreich die DSGVO samt Datenschutzgesetz. Wer in DACH Sprachfunktionen baut, gewinnt den Wettbewerb deshalb weniger über den Cent-Preis pro Stunde als über eine nachweisbar DSGVO-konforme Architektur.
Konsequenzen für Produktteams in Deutschland, Österreich und der Schweiz
Die erste Konsequenz ist für die meisten Teams eine Umkehr der Make-or-Buy-Entscheidung. Ein offenes Modell wie Whisper auf eigenen GPUs zu betreiben, ließ sich oft mit Kosten begründen, solange gehostete APIs teuer waren. Bei zehn Cent pro Stunde und zehn Sekunden Durchlaufzeit kippt diese Rechnung: Die Engineering-Zeit für Betrieb, Skalierung und Wartung eines Transkriptions-Clusters schlägt einen gemanagten Endpunkt selten. Behalten Sie Self-Hosting nur dort, wo Sie es wirklich brauchen – bei Daten, die Ihre Umgebung nicht verlassen dürfen, bei Offline- oder Air-Gap-Betrieb oder bei stark spezialisiertem Vokabular, das ein feinabgestimmtes Modell erfordert. In DACH ist der erste Fall häufiger als anderswo, etwa bei Kliniken, Behörden oder Versicherern.
Die zweite Konsequenz: Billige Transkription vergrößert Ihren Bestand an sensiblen Daten – und das ist ein Governance-Problem, nicht nur eines der Architektur. Sprachaufnahmen und ihre Transkripte sind nach DSGVO personenbezogene Daten, häufig sogar besondere Kategorien, und dass sie billig zu erfassen sind, macht sie nicht billig zu verwahren. Sie brauchen weiterhin eine Rechtsgrundlage, gegebenenfalls eine Einwilligung, definierte Löschfristen und klare Kontrolle darüber, wo Audio verarbeitet und gespeichert wird. Für regulierte Gespräche in HealthTech oder im Finanzbereich gilt: Behandeln Sie Sprachstrom und Transkript ab dem ersten Prototyp als regulierte Daten – und legen Sie fest, was Sie aufzeichnen, was Sie behalten und wie lange, bevor Sie das Feature einschalten.
Die dritte Konsequenz: Halten Sie Ihre Sprachschicht portabel und jurisdiktionsbewusst. Preise, Genauigkeit und Sprachabdeckung ändern sich bei Microsoft, OpenAI, Google und ElevenLabs von Monat zu Monat. Legen Sie Transkription deshalb hinter eine anbieterneutrale Schnittstelle, statt das SDK eines Anbieters durch die gesamte Codebasis zu ziehen – ein Wechsel sollte eine Konfigurationsänderung sein, kein Rewrite. Diese Portabilität ist zugleich ein Hebel für Datenresidenz: Klären Sie für Nutzer in der EU und der Schweiz, in welcher Region eine Speech-API tatsächlich läuft und ob der Anbieter ausländischem Datenzugriffsrecht unterliegt, und seien Sie bereit, die Inferenz dorthin zu legen, wo Preis und Rechtsraum zusammenpassen. Billig heißt nicht automatisch DSGVO-konform.
Checkliste, bevor Sie Sprache ins Produkt holen
- Mit dem Dauerpreis kalkulieren. Unit Economics auf den erwarteten Standardpreis stützen, nicht auf den Einführungspreis von 0,10 US-Dollar; bei Preisänderungen neu rechnen.
- Meist kaufen statt hosten. Standardmäßig eine gemanagte API nutzen; Self-Hosting für Datenresidenz, Offline-Betrieb oder Spezialvokabular reservieren, wo es sich klar rechnet.
- Den Anbieter abstrahieren. Transkription hinter eine Schnittstelle legen, damit Sie Preis, Genauigkeit und Sprachabdeckung ohne Rewrite wechseln können.
- Aufbewahrung vorab festlegen. Klare Regeln, wie lange Audio und Transkripte gespeichert werden, und planmäßig löschen – billige Erfassung ist kein Grund zum Horten.
- Einwilligung und Rechtsgrundlage sichern. Sprache nach DSGVO als personenbezogene (oft sensible) Daten behandeln; in Deutschland § 201 StGB beachten und Einwilligungen dokumentieren.
- Betriebsrat früh einbinden. Bei interner Nutzung (Callcenter, Meetings) die Mitbestimmung nach § 87 BetrVG einplanen und eine Betriebsvereinbarung abschließen.
- Region und Rechtsraum abgleichen. Prüfen, wo die Speech-API Audio für Nutzer in EU und Schweiz verarbeitet und ob sie ausländischem Datenzugriffsrecht ausgesetzt ist.
- Mit eigenem Audio testen. Genauigkeit an Ihren Dialekten (Schweizerdeutsch, Bairisch, Österreichisch), Störgeräuschen und Fachbegriffen messen – und Keyword-Biasing nutzen, bevor Sie Benchmark-Werte für übertragbar halten.
Häufig gestellte Fragen
Was ist Microsoft MAI-Transcribe-2?
MAI-Transcribe-2 ist ein Speech-to-Text-Modell, das Microsoft am 3. September 2026 vorgestellt hat. Es transkribiert Audio in 60 Sprachen, führt den mehrsprachigen FLEURS-Benchmark mit einer durchschnittlichen Wortfehlerrate von 5,2 % an und verarbeitet eine Stunde Audio in etwa zehn Sekunden. Laut Microsoft ist es 10-mal schneller als OpenAIs GPT-Transcribe, 7-mal schneller als ElevenLabs’ Scribe v2 und 5-mal schneller als Googles Gemini 3.5 Transcribe. Es unterstützt Sprechertrennung, Zeitstempel pro Wort, Keyword-Biasing, Sprachwechsel im Gespräch sowie wörtliche oder bereinigte Ausgabe und ist über Microsoft Foundry mit Azure Speech, den MAI Playground und OpenRouter verfügbar.
Was kostet MAI-Transcribe-2?
Microsoft hat MAI-Transcribe-2 mit 0,10 US-Dollar pro Audiostunde bepreist und bezeichnet das als befristetes Angebot bis Ende 2026; einen Dauerpreis gibt es noch nicht. Das sind rund 72 % weniger als die 0,36 US-Dollar pro Stunde von MAI-Transcribe-1. Bei 0,10 US-Dollar pro Stunde kostet die Transkription von einer Million Audiostunden etwa 100.000 US-Dollar – für die meisten Produkte ist der Preis also kein echtes Hindernis mehr. Kalkulieren Sie mit dem späteren Standardpreis statt mit einem Business Case, der nur zum Einführungspreis aufgeht.
Ist der Einsatz von Transkription in Deutschland DSGVO-konform möglich?
Ja, aber nicht automatisch. Sprachaufnahmen und Transkripte sind personenbezogene Daten nach DSGVO; Sie brauchen eine Rechtsgrundlage, gegebenenfalls eine Einwilligung, Löschfristen und Kontrolle über den Verarbeitungsort. In Deutschland kommt § 201 StGB hinzu: Das nichtöffentlich gesprochene Wort darf nicht unbefugt aufgezeichnet werden, Gesprächspartner müssen also zustimmen. Bei interner Nutzung, etwa im Callcenter, ist zudem regelmäßig der Betriebsrat nach § 87 Abs. 1 Nr. 6 BetrVG zu beteiligen.
Whisper selbst hosten oder eine gehostete Speech-API nutzen?
Für die meisten Teams gewinnt inzwischen die gehostete API bei den Gesamtkosten. Wenn ein gemanagtes Modell eine Audiostunde für zehn Cent in zehn Sekunden transkribiert, lohnt sich der Betrieb eines offenen Modells wie Whisper auf eigenen GPUs selten, sobald Engineering-Zeit, GPU-Miete, Skalierung und Wartung eingerechnet sind. Self-Hosting bleibt sinnvoll, wenn Daten aus regulatorischen Gründen Ihre Umgebung nicht verlassen dürfen, wenn Sie Offline- oder Air-Gap-Betrieb brauchen oder stark spezialisiertes Vokabular ein feinabgestimmtes Modell erfordert.
Quellen
Microsoft AI — MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world (Primärquelle, 3. September 2026)
VentureBeat — Microsoft AI’s MAI-Transcribe-2 undercuts OpenAI, Google and ElevenLabs on price and speed (3. September 2026)