Microsoft AI: MAI-Transcribe 1.5

MAI-Transcribe 1.5 ist ein Speech-to-Text-Modell von Microsoft AI, veröffentlicht am 2. Juni 2026. Es gehört zur Kategorie Transkription und ist daher für eine einzige Aufgabe gebaut: gesprochenes Audio in geschriebenen Text umzuwandeln, statt Gespräche oder Code zu generieren. Wenn Sie eine Pipeline zusammenstellen, die mit Sprache beginnt, ist dies die Komponente, die Microsoft für diesen ersten Schritt bereitstellt.

Das Modell nimmt Audio als Eingabe und gibt eine Transkription als Ausgabe zurück. Microsoft beschreibt es als mehrsprachig, mit zuverlässiger Transkription über 43 Sprachen und diverse Audio-Bedingungen hinweg. Der Anbieter merkt an, dass es für Untertitel, Anruftranskription, Untertitelung, Barrierefreiheit und andere sprachfähige Anwendungen geeignet ist. Die Kontextlänge ist nicht in den Modellmetadaten veröffentlicht, und das Feld für die maximale Ausgabe ist mit null angegeben, sodass die praktische Ausgabegröße durch die Länge des von Ihnen übermittelten Audios und die eigene Handhabung des Dienstes bestimmt wird, nicht durch ein dokumentiertes Token-Budget.

Diese Fähigkeiten lassen sich auf eine ziemlich klare Reihe von Anwendungsfällen abbilden. Wenn Sie Untertitel oder geschlossene Untertitel für aufgezeichnetes oder live übertragenes Material benötigen, greift der Fokus des Modells auf Untertitel und Bildunterschriften direkt. Anruftranskription deckt Contact-Center-Archive, Besprechungsnotizen und Compliance-Aufzeichnungen ab. Barrierefreiheitsarbeit, etwa aufgezeichnete Vorträge oder interne Videos lesbar zu machen, passt ebenfalls. Da das Modell 43 Sprachen verarbeitet, können Teams, die mehrsprachige Zielgruppen bedienen, Audio in jeder dieser Sprachen durch ein einziges Modell leiten, statt einen separaten Erkenner pro Locale zu pflegen. Sprachfähige Anwendungen, die eine Textebene vor der nachgelagerten Verarbeitung benötigen, etwa Suche über Aufzeichnungen oder Zusammenfassung, beginnen ebenfalls hier.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "microsoft/mai-transcribe-1.5" auf. Da der Endpunkt dem OpenAI-Format folgt, funktionieren vorhandene Client-Bibliotheken und Anforderungsstrukturen, die Sie bereits für andere Modelle verwenden, ohne besondere Behandlung. Beachten Sie, dass dieses Modell keine unterstützten Anforderungsparameter auflistet, daher sollten Sie das Audio mit der Standard-Anforderungsstruktur senden und nicht davon ausgehen, dass Sampling-Steuerungen, temperature oder ähnliche Stellschrauben irgendeine Wirkung auf eine Transkriptionsaufgabe haben.

In den bereitgestellten Details gibt es nicht viel zu harten Limits, daher sollten Sie Audiolänge und Durchsatz als Dinge behandeln, die gegen den Live-Dienst verifiziert werden müssen, statt sie aus der Dokumentation anzunehmen. Bedenken Sie außerdem, ob ein Speech-to-Text-Modell überhaupt das ist, was Sie brauchen: Wenn Ihre Aufgabe die Übersetzung zwischen geschriebenen Sprachen ist oder die Textgenerierung über das Transkript, deckt dieses Modell nur den Erkennungsschritt ab und Sie benötigen ein weiteres Modell für den Rest der Kette.