MAI-Transcribe-2 vs Muse Voice Transcribe: Dieselbe Woche, zwei gegensätzliche Wetten auf Audio

Die Woche ab dem 1. September 2026 brachte zwei Sprachmodelle aus zwei führenden Labors hervor, und MAI-Transcribe-2 und Muse Voice Transcribe lassen sich am besten als gegensätzliche Antworten auf die Frage verstehen, wo Audio-Intelligenz leben sollte. Muse Voice Transcribe, das am 1. September von Meta Superintelligence Labs veröffentlicht wurde, ist ein Echtzeit-Audio-Wahrnehmungsmodell: Es transkribiert, unterscheidet mehr als zwanzig Sprecher und erkennt, wenn ein Sprecher zu Ende gesprochen hat – alles in einem einzigen Streaming-Durchlauf über 80-Millisekunden-Häppchen von Live-Audio – und es führt die Rangliste für Streaming-Sprach-zu-Text an, auf der es gemessen wurde. MAI-Transcribe-2, das zwei Tage später, am 3. September, von Microsoft veröffentlicht wurde, ist die gegenteilige Wette: ein Batch-System, das Live-Latenz überhaupt nicht anstrebt, sondern stattdessen alles darauf verwendet, vorab aufgenommene Dateien mit der besten Wortfehlerrate auf der unabhängigen Nicht-Streaming-Rangliste zu transkribieren – etwa 411-mal schneller als Echtzeit, für ungefähr 1,67 US-Dollar pro 1.000 Minuten. Beide direkt als „Transkriptionsmodelle“ zu vergleichen, verdeckt die eigentliche Entscheidung, bei der es darum geht, zu welchem Moment im Leben des Audios man die Wörter braucht: während es stattfindet oder nachdem es vorbei ist.

Auf zwei Produkte wurde zu verschiedenen Zeitpunkten gezeigt.

Muse Voice Transcribe ist für den Moment gebaut, in dem das Audio noch läuft. Es ist ein autoregressives multimodales Modell aus Metas Muse-Familie, das drei Aufgaben in einem Durchgang vereint – automatische Spracherkennung, Sprecher-Diarisierung für mehr als zwanzig Sprecher sowie Endpointing, also die Erkennung, dass ein Sprecher aufgehört hat zu reden, damit das System reagieren kann. Meta berichtet, dass das endgültige Transkript etwa 0,16 Sekunden nach dem Ende eines Sprechers eintrifft, mit einer Wortfehlerrate von 3,1 % bei diesen endgültigen Transkripten und 3,6 % bei den ersten Teilergebnissen – Zahlen, die Meta am Tag der Veröffentlichung nannte, basierend auf dem Streaming-Leaderboard von Artificial Analysis, und die zum Zeitpunkt dieses Schreibens nicht unabhängig reproduziert worden waren. Das Modell verarbeitet Audiodaten von über einer Stunde Länge in einem einzigen Stream, wechselt mitten im Satz die Sprache und wurde mit über 70 Sprachen trainiert, von denen 25 zum Start umfassend verifiziert wurden. Der Preis beträgt 3,00 $ pro 1.000 Minuten Audio, also etwa 0,18 $ pro Stunde, über die Meta Model API. Meta hat bestätigt, dass die Gewichte nicht geöffnet werden.

MAI-Transcribe-2 ist für den Moment gedacht, in dem die Audiodatei bereits vorliegt. Das Modell von Microsoft erreicht 2,0 % AA-WER auf der Nicht-Streaming-Bestenliste von Artificial Analysis – Platz zwei und der beste Wert unter den verwalteten Batch-APIs – und läuft mit etwa 411-facher Echtzeit, was eine Durchsatzangabe und kein Versprechen für die Latenz ist. Es transkribiert in 60 Sprachen mit automatischer Spracherkennung, bündelt Sprecherdiarisierung, Wort-für-Wort-Zeitstempel, Keyword-Biasing und Stile für wörtliche versus bereinigte Transkripte und unterstützt Code-Switching wie Hinglish und Spanglish. Es ist über Microsoft Foundry in der öffentlichen Vorschau und im MAI Playground für 0,10 $ pro Audiostunde als zeitlich begrenztes Einführungsangebot bis zum Jahresende verfügbar; ein Streaming-Produkt wurde nicht angekündigt. Der Startbeitrag von Microsoft positioniert es ausdrücklich für Langform- und Batch-Audio – also für Arbeitslasten, bei denen die geringe Latenz eines Streaming-Modells wertlos ist, die Kosten pro Minute jedoch nicht.

Warum die beiden Genauigkeitszahlen nicht im Widerspruch stehen

Der natürliche Instinkt ist, 2,0 % mit 3,1 % zu vergleichen und einen Sieger zu küren – und das wäre gleich doppelt falsch. Erstens messen die Zahlen unterschiedliche Aufgaben: Die 2,0 % von MAI-Transcribe-2 beziehen sich auf die Nicht-Streaming-Genauigkeit bei vorab aufgezeichnetem Audio, bei der das Modell die gesamte Datei betrachten kann; die 3,1 % von Muse Voice Transcribe beziehen sich auf die Streaming-Genauigkeit endgültiger Transkripte, die unter der Anforderung erstellt wurden, die Transkription während des Eintreffens des Audios durchzuführen. Streaming ist das schwierigere Problem, weshalb das Streaming-Ranking und das Nicht-Streaming-Ranking getrennte Ranglisten mit getrennten Punktzahlen sind. Zweitens haben die Kennzahlen unterschiedliches Gewicht: Die Zahl von MAI-Transcribe-2 ist eine Messung von Artificial Analysis am Modell, während die von Muse Voice Transcribe auf Metas Bericht zum Starttag basiert, was Artificial Analysis gemessen hat – also vom Anbieter gemeldet und nicht unabhängig reproduziert. Die ehrliche Aussage lautet: Beide Modelle sind glaubwürdige Spitzenreiter ihrer jeweiligen Ranglisten, und keine der beiden Zahlen sagt etwas über die jeweils andere Kategorie aus.

Genau bei der Diarisierung fällt der eigentliche Vergleich, denn sie ist die eine Funktion, die beide Produkte besitzen, und die, bei der sich ihre Ambitionen sichtbar unterscheiden. Muse Voice Transcribe trennt als zentrale Streaming-Funktion mehr als zwanzig Sprecher, wobei Meta eine durchschnittliche Sprecher-Diarisierungsfehlerrate von 17,5 % angibt, gegenüber einer von Meta zitierten Wettbewerberspanne von 21,1 % bis 28,6 % – auch dies von Meta gemeldet und unverifiziert. Auch MAI-Transcribe-2 enthält Diarisierung, doch Microsoft veröffentlicht weder eine Obergrenze für die Sprecherzahl noch überhaupt eine Diarisierungsfehlerrate. Bei einem Gespräch mit zwei Teilnehmern sind beide Produkte in Ordnung, und der Unterschied ist unerheblich. Bei einer Fokusgruppe mit zwölf Personen oder einer Panel-Aufnahme ist Muse Voice Transcribe das einzige der beiden Produkte, dessen Mehrsprecher-Obergrenze überhaupt angegeben wird, und die ungemessene Diarisierung von MAI-Transcribe-2 ist der wichtigste Grund, es zu testen, bevor man ihm schwierigeres Audiomaterial anvertraut.

Der Preisvergleich, der Sinn ergibt

Preislich liegen die beiden näher beieinander, als es die Gegenüberstellung von Batch- und Streaming-Verarbeitung vermuten lässt, denn 1,67 $ pro 1.000 Minuten (MAI-Transcribe-2, Early-Bird) und 3,00 $ pro 1.000 Minuten (Muse Voice Transcribe) liegen beide am unteren Ende des Markts für Managed Speech. Der Vergleich ist nur innerhalb ein und derselben Kategorie sinnvoll. Für die Batch-Transkription vorab aufgezeichneter Audiodateien kostet MAI-Transcribe-2 weniger als halb so viel wie das nativ für Streaming konzipierte Modell und bietet zugleich die bessere Nicht-Streaming-Wortfehlerrate (WER) – aber man würde aufgezeichnete Dateien nur dann an Muse Voice Transcribe weiterleiten, wenn man gezielt dessen Streaming-Pipeline nutzen wollte, was nicht der effiziente Weg zur Verarbeitung eines Archivs ist. Für Live-Audio aus Meetings ist Muse Voice Transcribe das einzige Produkt in diesem Artikel, das überhaupt funktioniert: Sein Preis von 3,00 $ unterbietet die anderen Echtzeit-Transkriptions-APIs, gegen die es angetreten ist – Gemini 3.5 Transcribe Live mit etwa 9 $ pro 1.000 Minuten, GPT Live Transcribe mit 17 $ – und es bietet zusätzlich eine Diarisierung für mehr als zwanzig Sprecher, was diese Produkte nicht bieten. Das ehrliche Fazit zum Preis lautet: Meta hat den Streaming-Preis niedrig angesetzt, Microsoft den Batch-Preis noch niedriger – und beide Zahlen sind Aktionspreise aus der Einführungsphase, die sich verschieben werden, sobald die Anbieter ihre Standardtarife benennen.

Welches für welches Audio?

Wenn Ihr Audio live ist – Besprechungen, die in Echtzeit transkribiert werden, Sprachagenten, Live-Untertitelung, alles, wo Wörter gebraucht werden, während sie gesprochen werden – dann ist Muse Voice Transcribe die erste Wahl, und zwar mit Abstand. Es ist das einzige Streaming-Modell hier, es trennt mehr als zwanzig Sprecher im selben Durchgang und war preislich von Anfang an darauf ausgelegt, dieses Segment zu gewinnen. Seine Schwächen sind die, die man in einen Test mitnehmen sollte: Die Genauigkeits- und Diarisierungszahlen wurden von Meta gemeldet, und ein eine Woche altes Streaming-Modell hat noch nicht gezeigt, wie es sich mit dem unstrukturierten Audio verhält, das außerhalb der Start-Benchmarks existiert.

Wenn Ihr Audio bereits als Dateien vorliegt — Archive, Anrufaufzeichnungen, Medienbibliotheken, alles, was in Massen verarbeitet wird — ist MAI-Transcribe-2 auf jeder Achse, die zählt, die bessere Nummer: niedrigere gemessene WER, ungefähr eine Größenordnung mehr Durchsatz und ein Preis pro 1.000 Minuten unter dem des Streaming-Modells. Seine Risiken sind das Spiegelbild derer von Muse: vier Tage alt, keine Streaming-SKU, ungemessene Diarisierungsqualität und ein Frühbucherpreis mit einem nicht offengelegten Standardpreis dahinter.

Die Microsoft-Startseite, auf der MAI-Transcribe-2 vorgestellt wird, listet Funktionen auf, die Microsoft bündelt, die der Streaming-Konkurrent jedoch nicht im selben Zug bietet. Sie ist das Dokument, das man heranziehen sollte, um zu entscheiden, welche Behauptungen den Produktumfang betreffen und welche weiterhin reine Benchmark-Versprechen sind.

Und wenn das Transkript nur die erste Hälfte Ihrer Pipeline ist, ist die Wahl zwischen diesen beiden weniger wichtig als die Wahl, die Sie darüber treffen. Live-Meeting-Audio, das von Muse Voice Transcribe transkribiert wird, benötigt trotzdem noch Zusammenfassung, Extraktion von Aktionspunkten und Entwurf von Folgeschritten, bevor es brauchbar ist; archivierte Anrufe, die von MAI-Transcribe-2 transkribiert werden, müssen weiterhin durchsucht, geschwärzt oder an das richtige Downstream-System weitergeleitet werden. Genau auf dieser Ebene zahlt sich eine Multi-Modell-Plattform aus — OrcaRouters eine API über 200+ Modelle, mit Durchreichung der Listenpreise der Anbieter bei 0% Aufschlag, ermöglicht es dieser Downstream-Arbeit, pro Workload über eine einzige Integration ein anderes Modell aufzurufen. So muss der Stack über dem Transkript nicht neu aufgebaut werden, um das Sprachmodell zu wechseln, das Ihren Piloten gewinnt. Weder Muse Voice Transcribe noch MAI-Transcribe-2 stehen heute auf dieser Liste; beide laufen über die eigenen APIs ihrer Anbieter. Die Wette, die diese Woche wirklich entschieden wurde, ist enger und nützlicher: Echtzeit- und Stapeltranskription sind beide gerade billig genug geworden, dass das Unterscheidungsmerkmal nicht mehr die Wörter sind — sondern das, was Sie mit ihnen tun.