Microsoft hat ein Spracherkennungsmodell vorgestellt, das eine Stunde Ton für zehn Cent in Text verwandelt, in 60 Sprachen, mit Sprechertrennung und Zeitstempeln. Was die Zahlen wert sind, wo der Haken liegt, und welche drei Aufnahmen in deinem Betrieb sofort etwas bringen.
In jedem Betrieb liegt Ton herum, den niemand auswertet: das Kundengespräch, die Sprachnachricht von der Baustelle, die Besprechung, nach der keiner das Protokoll schreibt. Der Grund war bisher fast immer derselbe, nämlich Aufwand und Preis. Microsoft hat am 3. September ein Modell vorgestellt, das beides so weit senkt, dass die Ausrede weg ist.
MAI-Transcribe-2 kostet 0,10 Dollar pro Stunde Audio, ein Aktionspreis bis Ende 2026. Es beherrscht 60 Sprachen und erkennt die Sprache selbst, auch wenn mitten im Satz gewechselt wird. Es trennt Sprecher voneinander, setzt Zeitstempel auf Wortebene und lässt sich vorher auf Fachbegriffe einstellen, damit aus deinem Produktnamen kein Unsinn wird. Zwei Stile stehen zur Wahl: wörtlich, mit jedem Ähm, oder bereinigt, wenn ein lesbares Protokoll das Ziel ist.
Zur Güte nennt Microsoft eine durchschnittliche Wortfehlerrate von 5,2 Prozent über alle 60 Sprachen auf dem Prüfstand FLEURS und Platz zwei auf der Rangliste von Artificial Analysis. Beim Tempo beruft sich Microsoft ebenfalls auf Artificial Analysis: zehnmal schneller als OpenAIs GPT-Transcribe, siebenmal schneller als ElevenLabs Scribe v2, fünfmal schneller als Gemini 3.5 Transcribe. Zu haben ist es über Microsoft Foundry, das MAI-Playground und OpenRouter.
Erstens sind das Microsofts eigene Angaben, auch wenn sie sich auf eine unabhängige Rangliste berufen. Zweitens ist der Preis ausdrücklich ein Aktionspreis bis Ende 2026, was danach gilt, steht nirgends. Drittens, und das ist der wichtigste Punkt: Ein Kundengespräch ist ein personenbezogenes Datum. Billig heißt nicht erlaubt. Wer Gespräche aufnimmt, braucht die Einwilligung aller Beteiligten, und wer sie in eine Cloud schickt, braucht einen Vertrag zur Auftragsverarbeitung.
Erstens das Kundengespräch am Tresen oder am Telefon. Nicht zur Überwachung, sondern damit die Zusage, die jemand mündlich gemacht hat, nachher nachlesbar ist. Sprechertrennung heißt hier: Man sieht, wer was gesagt hat. Zweitens die Sprachnachricht von der Baustelle, die heute in einem Messenger verrottet. Aus dreißig Sekunden Gebrabbel wird ein Absatz, den man in den Auftrag kopieren kann. Drittens die interne Besprechung, nach der bisher niemand das Protokoll geschrieben hat, weil es eine Stunde dauert. Mit Zeitstempeln findet man die Stelle wieder, an der die Entscheidung fiel.
Der eigentliche Gewinn liegt nicht in der Abschrift, sondern in dem, was danach möglich ist. Ein Text lässt sich durchsuchen, zusammenfassen, in ein Angebot überführen und, wie in meinem Beitrag von gestern beschrieben, mit einer Anleitung an einen Agenten übergeben. Ton ist tot, Text ist Material. Und zehn Cent für eine Stunde bedeutet, dass die Kostenfrage keine Rolle mehr spielt: Ein Betrieb, der jede Woche fünf Stunden aufnimmt, zahlt im Jahr etwa 26 Dollar. Die Frage ist ab jetzt nur noch, ob ihr es tut.
Einwilligung ist keine Formsache. In Deutschland gilt: Wer ein Gespräch aufnimmt, braucht das Einverständnis aller Beteiligten, und zwar vorher und nachweisbar. Ein Satz am Anfang des Telefonats reicht, wenn er dokumentiert wird. Für die Verarbeitung brauchst du einen Vertrag zur Auftragsverarbeitung mit dem Anbieter und eine Regel, wie lange die Aufnahmen liegen bleiben. Und alles, was heikel ist, gehört ohnehin nicht in eine fremde Cloud, sondern auf den eigenen Rechner.
Für zehn Cent die Stunde gibt es keinen Grund mehr, gesprochene Zusagen im Nichts verschwinden zu lassen.
Zwischen GPT-6 Astra, Weltmodellen und Milliardenübernahmen ist ein Transkriptionsmodell die kleinste Meldung der Woche. Für einen Betrieb mit zehn Leuten ist es die nützlichste. Es braucht keine Umstellung, keine Schulung und keinen Berater, es macht aus etwas, das ihr schon habt, etwas, mit dem ihr arbeiten könnt. Und der Preis ist so niedrig, dass die Entscheidung nicht mehr am Geld hängt.
Ich würde nicht mit dem Kundengespräch anfangen, sondern mit der internen Besprechung. Da ist die rechtliche Lage einfach, alle sitzen im selben Raum, und der Nutzen zeigt sich sofort: Nach der ersten Sitzung mit automatischem Protokoll will es keiner mehr anders. Wenn das läuft, nehmt ihr euch die Baustellen-Sprachnachrichten vor. Das Kundengespräch kommt zuletzt, mit sauberer Einwilligung.
Quelle: Microsoft AI, „MAI-Transcribe-2" (03.09.2026). Güte- und Tempoangaben sind Microsofts eigene, gestützt auf Auswertungen von Artificial Analysis. Rechtliche Hinweise sind allgemeine Einordnung, keine Rechtsberatung. Stand: 04.09.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Ich richte die Transkription für eure Besprechungen und Sprachnachrichten ein, samt Einwilligungstext, Löschfrist und einer Anleitung, die aus der Abschrift direkt ein Protokoll macht.