Nemotron 3.5 Transcribe vs. MAI Transcribe 2: Eine 100-Dollar-Stunde gegen eine GPU, die Sie besitzen

Eintausend Stunden Audio kosten Microsoft einhundert Dollar. Das ist das gesamte Preisargument für MAI Transcribe 2, das sich seit dem 3. September 2026 in der öffentlichen Vorschau befindet, zu 0,10 $ pro Audiostunde – etwa 1,67 $ pro tausend Minuten, ein Preis, der alle Managed-Wettbewerber unterbietet, die es nennt, und etwa ein Drittel dessen ausmacht, was OpenAI für dieselbe Arbeit berechnet. Nemotron 3.5 Transcribe, NVIDIAs offener Checkpoint vom 28. Oktober 2026, hat überhaupt keinen Minutenpreis, weil die einzige Möglichkeit, ihn zu kaufen, darin besteht, die Hardware zu kaufen, auf der er läuft. Bei tausend Stunden pro Monat ist Microsofts Rechnung ein Rundungsfehler im Abteilungsbudget und NVIDIAs eine Investitionsausgabe.

Dann kommt der unangenehme Teil. Auf der öffentlichen Genauigkeitsrangliste liegt {{1}}MAI Transcribe 2{{/1}} mit 2,0 % AA-WER weltweit auf Platz zwei. {{2}}Nemotron 3.5 Transcribe{{/2}} liegt mit 3,4 % auf Platz zwanzig. Das günstigere Modell ist zugleich das genauere – und zwar mit einem Vorsprung, der größer ist als der gesamte Abstand zwischen den Rängen neun und zwanzig. Wenn es bei diesem Vergleich nur um Wörter und Geld ginge, wäre er in einem Absatz abgehandelt. Das ist nicht der Fall, denn {{3}}Microsoft{{/3}} veröffentlicht keine Zahl zur Qualität der Diarisierung und {{4}}NVIDIA{{/4}} veröffentlicht mehrere – und genau diese leere Spalte ist der Grund, warum überhaupt noch jemand die teure Option wählen würde.

Was der Vorstand sagt – und was er nicht sagen kann

Artificial Analysis bewertet beide Modelle anhand derselben Mischung aus drei Datensätzen, sodass die 2,0 % gegenüber 3,4 % zumindest ein direkter Vergleich derselben Kennzahl sind, gemessen vom selben Betreiber. Das ist in dieser Kategorie seltener, als es sein sollte, und es verdient, ernst genommen zu werden. MAI Transcribe 2 liegt an der Spitze der Rangliste nur hinter einem Echtzeit-Vorschau-System; Nemotron 3.5 Transcribe ist gleichauf mit drei Systemen, von denen eines eine Gemini-Flash-Lite-Variante im Minimal-Reasoning-Modus ist.

NVIDIAs eigenes Launch-Material meldet 2,8 % AA-WER; selbst wenn das Bestand hätte, läge es noch volle acht Zehntel hinter Microsoft. Das Live-Board verzeichnet 3,4 %. So oder so ändert sich die Reihenfolge nicht, daher entscheidet – anders als bei den übrigen Paarungen in dieser Reihe – die Diskrepanz zwischen Launch und Board hier nichts. Microsoft liegt schlicht vorn bei der Kennzahl, auf deren Messung sich beide Unternehmen verständigt haben.

Was $0.10 pro Stunde tatsächlich kaufen

MAI Transcribe 2 ist ein Batch-Transkriptionsmodell für Langform-Audio: Meetings, Anrufe, Medienarchive, Contact-Center-Aufzeichnungen. Es deckt 60 Sprachen mit automatischer Spracherkennung ab, bündelt Sprecher-Diarisierung, liefert Zeitstempel auf Wortebene, unterstützt Keyword-Biasing für Namen und Fachbegriffe und bietet zwei Ausgabestile – wörtlich, der Füllwörter und Fehlstarts beibehält, und bereinigt, der sie entfernt. Microsoft meldet auf dem Speed-Board von Artificial Analysis einen Durchsatz von rund 411× Echtzeit, insgesamt Platz zwei, und der eigene Launch-Beitrag stellt das als zehnmal schneller als GPT Transcribe und fünfmal schneller als Gemini 3.5 Transcribe dar.

Die Funktionsliste ist auf dem Papier eine Obermenge dessen, was die meisten Teams brauchen, und eine nahezu Entsprechung zu der von NVIDIA. Beide bieten Diarisierung, beide liefern Wort-Zeitstempel, beide unterstützen Keyword-Biasing, beide liefern wörtliche und bereinigte Ausgaben, beide sind auf etwa eine Stunde Audio begrenzt, beide sind in der verglichenen SKU nur im Batchbetrieb verfügbar. Die Unterschiede liegen an den Rändern: 60 Sprachen gegenüber 40, acht Sprecher gegenüber einer nicht näher angegebenen Anzahl und ein Preis, der sich einem Finanzteam um drei Größenordnungen leichter erklären lässt.

• Preis — 0,10 $ pro Audio-Stunde, befristet bis Ende 2026, im Vergleich zu keiner Listenrate; die Kosten bestehen aus Accelerator-Zeit.

• Genauigkeit — 2,0 % AA-WER, Rang 2 gegenüber 3,4 %, Rang 20 ({{1}}3,4 % auf der Live-Tafel{{/1}}; NVIDIAs Unterlagen behaupten 2,8 %).

• Durchsatz — etwa 411× Echtzeit gegenüber bis zu 2.238 Sekunden Audio pro Sekunde auf einer RTX PRO 6000 Blackwell mit NVFP4 und einem Draft-Modell, gemessen an 30-Sekunden-Clips bei hoher Parallelität.

• Sprachen — 60 mit automatischer Erkennung gegenüber 40 transkribierten, 31 übersetzten.

• Lizenz — proprietär, nur API vs. OpenMDW-1.1 mit herunterladbaren Gewichten.

• Sprecher — Diarisierung inklusive, kein veröffentlichter DER vs. bis zu 8, mit Sprecherzuordnung, in 13 Sprachen, 18,26 % DER über 21 Sprachen im David-AI-Benchmark.

• Feinabstimmung – keine angeboten vs. Ein-GPU-Anpassung bei 0,5–2,3 GPU-Stunden pro Aufgabe.

• Datenlokalität — Audio verlässt Ihr Netzwerk vs. selbst hostbar, auch offline.

Die Spalte, die Microsoft leer lässt

Microsoft bündelt Diarisierung und veröffentlicht keine Diarisierungsfehlerrate. Nicht etwa eine schwache – gar keine. NVIDIA veröffentlicht vier separate Diarisierungsergebnisse: 18,26 % DER über 21 Sprachen im David-AI-Benchmark, der niedrigste Wert unter 14 Systemen; 32,4 % verkettete Min-Permutation-WER auf VoiceArenas Diarization-Bench, der beste Wert unter 14; 8,32 % der Referenzwörter ausgelassen bei überlappender englischer Sprache gegenüber einem Median von knapp 31 %; und Sprecherzuordnung in 13 Sprachen gegenüber Microsofts nicht angegebener Anzahl.

All diese Werte sind anbieterseitig auf einem anbietereigenen Testsystem gemeldet, und die ehrliche Lesart ist, dass sie eine Behauptung über die Fähigkeit und keinen Nachweis der Qualität darstellen. Doch die Asymmetrie ist aufschlussreich. Ein Unternehmen, das einen Diarisierungswert hat, veröffentlicht ihn, weil die Diarisierung der schwierigste Teil eines Transkripts ist, den es richtig hinzubekommen gilt, und der Teil, über den Kunden sich beschweren. Ein Unternehmen, das Diarisierung ohne eine Zahl anbietet, sagt Ihnen damit, dass es das nicht als Verkaufsargument betrachtet. Das kann bedeuten, dass die Funktion angemessen und unspektakulär ist. Es kann bedeuten, dass sie schwach ist. Nichts in Microsofts Material zur Markteinführung unterscheidet die beiden Fälle, und noch misst kein unabhängiges Gremium die Diarisierungsfehlerrate in dieser Granularität.

Bei einem Verkaufsgespräch mit zwei Personen spielt das keine Rolle – beide Modelle ordnen zwei Stimmen korrekt zu. Bei einer Vorstandssitzung mit sechs Personen und Übersprechen ist der Unterschied zwischen 18 % DER und einer unbekannten Zahl der Unterschied zwischen einem brauchbaren minutengenauen Protokoll und einem Dokument, dem niemand traut. Das ist die Arbeitslast, bei der der Preis des offenen Checkpoints nicht mehr absurd wirkt.

Warum überhaupt jemand das teure kauft

Vier Gründe, in absteigender Reihenfolge danach, wie oft sie tatsächlich in Beschaffungsentscheidungen vorkommen.

Der erste Punkt ist die Datenlokalität. MAI Transcribe 2 ist eine API. Das Audio verlässt Ihr Netzwerk, landet im Mandanten eines Anbieters und unterliegt dessen Aufbewahrungsbedingungen. Nemotron 3.5 Transcribe läuft auf Hardware, die Sie kontrollieren, einschließlich vollständig offline, was für klinische Aufzeichnungen, Gerichtsverfahren, HR-Untersuchungen und alles, was einem Datenresidenz-Regime unterliegt, keine Präferenz, sondern eine Anforderung ist. Kein Preis pro Stunde kann mit einer Compliance-Vorgabe konkurrieren.

Der zweite Punkt ist Dauerhaftigkeit. Microsofts Tarif von 0,10 US-Dollar ist ausdrücklich ein zeitlich begrenztes Angebot, das bis Ende 2026 gilt, und nirgends in den Launch-Unterlagen wurde ein Standardpreis genannt. Ein Team, das ein Produkt auf dieser Zahl aufbaut, baut auf einem Aktionspreis mit unbekanntem Ablaufdatum auf. Offene Gewichte haben diesen Fehlermodus nicht: Der Checkpoint, den Sie heruntergeladen haben, funktioniert weiterhin zum Preis von Strom – unabhängig davon, was der Anbieter als Nächstes tut.

Das dritte ist die Anpassung. NVIDIA berichtet von Fine-Tuning auf einer einzelnen GPU mit 0,5 bis 2,3 GPU-Stunden pro Aufgabe sowie von einer Fallstudie zu medizinischer Sprache, in der die Anpassung die Wortfehlerrate über 3.619 Clips hinweg von 30,8 % auf 11,8 % senkte, wobei sich zurückgehaltene Sprecher von 22,44 % auf 12,17 % verbesserten. Microsoft bietet überhaupt keinen Fine-Tuning-Weg an. Bei akzentbehaftetem, verrauschtem oder jargonreichem Audio – genau dem Audio, bei dem aus einem Durchschnitt von 2,0 % eine Realität von 25 % wird – ist die Fähigkeit zur Anpassung mehr wert als zwei Punkte in der Rangliste. Perits menschlich geprüftes englisches Set erzählt dieselbe Geschichte aus der anderen Richtung: Es setzt MAI Transcribe 2 und GPT Transcribe mit 1,76 % auf ein Hundertstel Punkt zueinander, was daran erinnert, dass diese Ranglisten bei sauberem Audio dicht beieinanderliegen und bei allem anderen auseinanderdriften.

Der vierte Punkt ist, dass MAI Transcribe 2 in der öffentlichen Vorschau ist. Vorschau bedeutet keine Verfügbarkeitsgarantie, keine Ankündigungsfrist für die Außerbetriebnahme und einen Funktionsumfang, der sich während der Nutzung ändern kann. Nemotron 3.5 Transcribe ist einen Tag alt und hat sein eigenes Reifeproblem – sein GGUF-Tooling wird noch als „demnächst verfügbar“ beschrieben und seine quantisierten lokalen Builds sind noch nicht ausgeliefert – aber ein Checkpoint verliert seinen Preview-Status nicht wieder.

Die Absicherung, die nichts kostet

Die meisten Teams müssen sich nicht entscheiden. Betreiben Sie die günstige API für den Großteil der Warteschlange und leiten Sie die Dateien, die das Gebäude nicht verlassen dürfen, oder die Meetings, bei denen die Sprecherzuordnung stimmen muss, an den Checkpoint weiter. Dieser Hybrid ist günstiger als beide reinen Strategien und scheitert auf schonende Weise: Sollte Microsofts Aktionspreis zu einem unattraktiven Betrag auslaufen, ist der selbst gehostete Pfad bereits bereitgestellt; sollte die Diarisierungsaussage des offenen Modells Ihre Audiodaten nicht überstehen, ist die API bereits eingebunden.

Was diese Absicherung in der Praxis funktionieren lässt, ist, die beiden Hälften der Pipeline trennbar zu halten. Spracherkennung ist ein Vertrag; der Summarizer, der Klassifizierer und der Router, die die Transkripte verarbeiten, sind ein anderer Vertrag. OrcaRouter deckt die zweite Hälfte mit 200+ Text- und multimodalen Modellen hinter einem einzigen Schlüssel, wobei die Listpreise der Anbieter mit 0 % Aufschlag durchgereicht werden – sodass eine Preissenkung eines Anbieters noch am selben Tag auf Ihrer Rechnung ankommt statt erst zur nächsten Vertragsverlängerung –, sowie automatisches Failover und einer Routing-DSL, die verschiedene Transkriptklassen an verschiedene Modelle leiten kann. Weder MAI Transcribe 2 noch Nemotron 3.5 Transcribe stehen in diesem Katalog, und wir bieten Speech-to-Text überhaupt nicht an, daher bleibt der Transkriptionsvertrag dort, wo Sie ihn unterzeichnet haben. Es geht nur darum, dass das nachgelagerte Modell nicht an denselben Anbieter geschweißt sein sollte.

Das Urteil, nach Volumen

Bei ungefähr einigen hundert Audio-Stunden pro Monat, ohne Data-Residency-Vorgabe und ohne Anforderung an die Sprecherzuordnung über Zwei-Parteien-Gespräche hinaus ist MAI Transcribe 2 in jeder Kennzahl, die in einer Tabelle auftaucht, die bessere Wahl: günstiger, genauer auf dem gemeinsamen Index, schneller und heute ohne Bereitstellung verfügbar. Die Aktionspreise sind ein echtes Risiko und sollten mit dem Zwei- bis Dreifachen des aktuellen Satzes modelliert werden, aber sie beseitigen keine Lücke von drei Größenordnungen.

Oberhalb dieses Volumens – oder wenn eine der vier oben genannten Einschränkungen hinzukommt – kehrt sich die Rechnung um: nicht weil das offene Modell pro Stunde günstiger wäre, sondern weil die Stunden schlicht nicht mehr käuflich zu erwerben sind. Der Fall von Nemotron 3.5 Transcribe stützt sich auf Sprecher, Sprachen, Lokalität, Adaption und Beständigkeit – in ungefähr dieser Reihenfolge. Sein Genauigkeitsargument stützt sich auf eine Herstellerangabe, die die öffentliche Rangliste derzeit nicht bestätigt, und wer „first among open weights" wiederholt, als hätte das den Vergleich entschieden, zitiert eine Folie statt einer Messung.