Was ist MAI-Transcribe-2-Streaming?
MAI-Transcribe-2-Streaming ist das erste Streaming-Modell von Microsoft AI für Sprache zu Text, veröffentlicht am 1. Oktober 2026 zusammen mit den Sprachmodellen MAI-Voice-2.1. Du schickst Audio als fortlaufenden Strom und bekommst Zwischentranskripte, die sich während des Sprechens aktualisieren, dann ein Endergebnis für jedes Segment. Laut Microsoft kommt der erste Zwischentext etwas über 100 Millisekunden nach dem Audio an.
Es deckt 60 Sprachen ab und erkennt die Sprache automatisch und fortlaufend, sodass jemand mitten im Gespräch wechseln kann. Microsoft sagt, es sei beim Streaming-Benchmark von Artificial Analysis bei der Genauigkeit sowohl der End- als auch der Zwischentranskripte auf Platz eins gestartet und in eigenen Tests erschienen Wörter doppelt so schnell wie beim nächsten Konkurrenten.
Es ist als Public Preview in Azure Speech verfügbar, bereitgestellt aus Sweden Central, Central US, East US 2 und Southeast Asia, und erreichbar über eine mit OpenAI Realtime kompatible WebSocket-API oder das Azure Speech SDK. Der Einführungspreis liegt bis Ende 2026 bei 0,54 $ pro Audiostunde.
Lohnt sich MAI-Transcribe-2-Streaming?
MAI-Transcribe-2-Streaming ist ein ernsthafter Einstieg in die Live-Transkription, die Aufgabe hinter Untertiteln, Sprachagenten und Unterstützung im Callcenter. Microsoft sagt, es liege in der Streaming-Rangliste von Artificial Analysis bei der Genauigkeit für Zwischen- und Endtranskripte auf Platz eins und dort auf der Grenze von Genauigkeit gegen Latenz.
Tempo ist die zweite Behauptung. Zwischentext kommt in etwas über 100 Millisekunden, und Microsofts eigene Tests mit Diktat und Untertiteln bringen Wörter doppelt so schnell auf den Bildschirm wie der nächste Konkurrent, den Microsoft nicht nennt. In der Ankündigung veröffentlicht Microsoft keine Wortfehlerraten, Käufer sollten also vor dem Wechsel ihr eigenes Audio testen.
Beim Preis liegt es in der Mitte. Mit 0,54 $ pro Audiostunde, etwa 0,009 $ pro Minute, ist es günstiger als OpenAIs gpt-live-transcribe mit 0,017 $ pro Minute, aber teurer als ElevenLabs Scribe v2 Realtime mit 0,39 $ pro Stunde oder Deepgram Nova-3 Streaming mit 0,0048 $ pro Minute im Angebot. Der Preis von 0,54 $ ist ein Einführungspreis und endet mit 2026, und Microsoft hat nicht gesagt, was danach kommt.
Die Integration ist für Teams, die schon OpenAIs Realtime API nutzen, einfach, weil die WebSocket-Schnittstelle kompatibel ist, und das Speech SDK übernimmt Wiederverbindung und Wiederholungen. 60 Sprachen mit fortlaufender Erkennung passen zu mehrsprachigen Callcentern, in denen Anrufer mitten im Gespräch die Sprache wechseln.
Die Einschränkungen sind die einer Preview. Microsoft sagt, es gebe kein Service Level Agreement, und empfiehlt es nicht für den Produktivbetrieb. Es läuft nur aus vier Regionen, und die Ankündigung erwähnt keine Sprecherzuordnung. Weder die Ankündigung noch die Dokumentation beschreibt, wie Audio aufbewahrt wird, und Azures Preview-Bedingungen erlauben Preview-Funktionen andere Datenschutzpraktiken.
Wo es sich lohnt
Ein Anbieter von Callcenter-Software für europäische Banken
Live-Anrufe in mehreren Sprachen zur Agentenunterstützung transkribieren
Streame das Anrufaudio aus Sweden Central über die Realtime API; die fortlaufende Spracherkennung kommt mit Anrufern zurecht, die die Sprache wechseln, und 10.000 Anrufstunden im Monat kosten zum Einführungspreis etwa 5.400 $.
Das Medienteam einer Universität
Online übertragene Vorlesungen live untertiteln
Schick das Vorlesungsaudio mit dem Azure Speech SDK und zeig Zwischenuntertitel an, sobald sie etwa 100 ms nach dem Sprechen eintreffen, ersetzt durch den Endtext jedes Segments.
Eine Entwicklerin eines Sprachassistenten, der schon auf OpenAIs Realtime API läuft
Einen genaueren Transkriptionsschritt einbauen, ohne den Client neu zu schreiben
Richte den bestehenden WebSocket-Client mit dem Modellnamen MAI-Transcribe-2-Streaming auf Azure aus und vergleiche die Genauigkeit an aufgezeichnetem Nutzeraudio, bevor du Verkehr umleitest, angesichts des Preview-Status.
Bevor du dich festlegst
- Einrichtung
- Eine Azure-Speech- oder Foundry-Ressource anlegen und sich über die Realtime-kompatible WebSocket-API oder mit dem Azure Speech SDK ab Version 1.52.0 verbinden.
- Integrationen
- Azure Speech SDK, eine mit OpenAI Realtime kompatible WebSocket-API, Azure Voice Live, Microsoft Foundry, MAI Playground und Vercel, LiveKit als demnächst angekündigt.
- Daten und Datenschutz
- Weder in der Ankündigung noch in der Modelldokumentation beschrieben; Azures ergänzende Preview-Bedingungen weisen darauf hin, dass Preview-Funktionen andere Datenschutzpraktiken haben können als allgemein verfügbare Dienste.
- Kosten im großen Maßstab
- Zum Einführungspreis von 0,54 $ pro Audiostunde kosten 1.000 Stunden im Monat 540 $; der Preis nach 2026 ist nicht veröffentlicht.
- Grenzen
- Public Preview ohne SLA; bereitgestellt aus Sweden Central, Central US, East US 2 und Southeast Asia; 60 Sprachen.
Was gut ist
- Laut Microsoft Platz eins bei der Genauigkeit im Streaming-Benchmark von Artificial Analysis
- Zwischentranskripte in etwas über 100 ms
- 60 Sprachen mit fortlaufender automatischer Erkennung
- Mit OpenAI Realtime kompatible API plus Azure Speech SDK
Was nicht
- Public Preview ohne SLA; nicht für den Produktivbetrieb empfohlen
- Die 0,54 $ pro Stunde sind ein Einführungspreis und enden mit 2026
- Keine veröffentlichten Wortfehlerraten; Sprecherzuordnung nicht erwähnt
- Aus vier Azure-Regionen bereitgestellt
Am besten für
Teams, die auf Azure Live-Untertitel, Sprachagenten oder Callcenter-Werkzeuge bauen und beste Streaming-Genauigkeit in vielen Sprachen wollen.
Alternativen zu MAI-Transcribe-2-Streaming
MAI-Transcribe-2-Streaming: häufige Fragen
- Lohnt sich MAI-Transcribe-2-Streaming?
- MAI-Transcribe-2-Streaming sieht nach dem genauesten Live-Transkriptionsmodell aus, das man kaufen kann, zu einem mittleren Preis, der nur bis Dezember gilt. Wir bewerten es mit 4.1 von 5.
- Was kostet MAI-Transcribe-2-Streaming?
- Einführungspreis von 0,54 $ pro Audiostunde (etwa 0,009 $ pro Minute) bis Ende 2026; den Preis danach hat Microsoft nicht veröffentlicht.
- Welche Nachteile hat MAI-Transcribe-2-Streaming?
- Public Preview ohne SLA; nicht für den Produktivbetrieb empfohlen; Die 0,54 $ pro Stunde sind ein Einführungspreis und enden mit 2026; Keine veröffentlichten Wortfehlerraten; Sprecherzuordnung nicht erwähnt; Aus vier Azure-Regionen bereitgestellt.
- Für wen eignet sich MAI-Transcribe-2-Streaming?
- Teams, die auf Azure Live-Untertitel, Sprachagenten oder Callcenter-Werkzeuge bauen und beste Streaming-Genauigkeit in vielen Sprachen wollen.
- Was kostet MAI-Transcribe-2-Streaming für ein Team oder im Produktivbetrieb?
- Zum Einführungspreis von 0,54 $ pro Audiostunde kosten 1.000 Stunden im Monat 540 $; der Preis nach 2026 ist nicht veröffentlicht.
- Ist MAI-Transcribe-2-Streaming sicher für Firmendaten?
- Weder in der Ankündigung noch in der Modelldokumentation beschrieben; Azures ergänzende Preview-Bedingungen weisen darauf hin, dass Preview-Funktionen andere Datenschutzpraktiken haben können als allgemein verfügbare Dienste.
- Was sind die besten Alternativen zu MAI-Transcribe-2-Streaming?
- Die nächsten Alternativen, die wir getestet haben, sind Deepgram Nova-3, ElevenLabs Scribe v2, GPT Transcribe und Gemini 3.5 Transcribe.
Antworten geprüft am 6. Nov. 2026.
Du entwickelst MAI-Transcribe-2-Streaming? Zeig diese Bewertung auf deiner Website
