Microsoft AI: MAI-Transcribe 2

Microsoft AI: MAI-Transcribe 2 ist ein Speech-to-Text-Modell von Microsoft, veröffentlicht am 3. September 2026. Es gehört zur Kategorie Transkription, seine Aufgabe ist also eng und spezifisch: gesprochenes Audio in geschriebenen Text umzuwandeln. Microsoft positioniert es als mehrsprachiges System, und laut Anbieter belegt es Platz eins im mehrsprachigen FLEURS-Benchmark. Wenn Ihre Arbeit Sprache in mehr als einer Sprache umfasst, ist diese Kombination aus Anbieterunterstützung und Benchmark-Platzierung der Hauptgrund, dieses Modell statt eines Allzweckmodells in Betracht zu ziehen.

Das Modell nimmt Audio als Eingabe und liefert eine Transkription als Ausgabe. Es deckt 60 Sprachen ab und führt eine automatische Spracherkennung durch, sodass Sie nicht angeben müssen, welche Sprache gesprochen wird, bevor Sie eine Anfrage senden. Es verarbeitet auch Code-Switching, also Audio, bei dem Sprecher innerhalb derselben Aufnahme zwischen Sprachen wechseln. Die veröffentlichten Details nennen keine Kontextlänge in Tokens, und die maximale Ausgabe wird mit null angegeben, behandeln Sie das Modell also als reinen Transkriptions-Endpunkt und nicht als etwas, das Sie mit langen Textanweisungen beaufschlagen können. Es sind keine unterstützten Anfrageparameter aufgeführt, abgesehen von dem, was die API benötigt, um das Modell zu identifizieren und Audio zu übergeben.

Die praktischen Einsatzmöglichkeiten ergeben sich direkt aus diesen Fähigkeiten. Besprechungs- und Anrufaufzeichnungen in mehrsprachigen Organisationen passen offensichtlich, besonders wenn Teilnehmer mitten im Gespräch die Sprache wechseln. Medien- und Podcast-Workflows können es nutzen, um Transkripte zu erstellen, ohne einen separaten Schritt zur Spracherkennung. Forschungs- und Archivprojekte, die sich mit Sprache in einer der 60 unterstützten Sprachen befassen, können Audio senden und Text zurückerhalten. Da die Spracherkennung automatisch erfolgt, müssen Batch-Jobs über mehrsprachiges Audio nicht vorher sortiert oder markiert werden.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "microsoft/mai-transcribe-2" auf. Da die Schnittstelle dem OpenAI-Format folgt, können bestehende Clients und SDKs, die bereits auf eine OpenAI-kompatible Basis-URL zeigen, wiederverwendet werden, wobei das Audio als Eingabe gesendet und die Transkription in der Antwort zurückgegeben wird. Das Modell listet keine unterstützten Parameter auf, halten Sie Anfragen also minimal: Legen Sie die Modell-ID fest, hängen Sie das Audio an, und gehen Sie nicht davon aus, dass Sampling- oder Formatierungsoptionen eine Wirkung haben. Wenn ein Parameter nicht als unterstützt aufgeführt ist, lassen Sie ihn am besten weg.

Zu den Grenzen sind die verfügbaren Fakten dünn. Es gibt keine angegebene Kontextlänge, und die maximale Ausgabe ist null, was darauf hindeutet, dass das Modell nicht für Text-in, Text-out-Prompting oder für lange generierte Antworten gedacht ist. Wenn Ihre Aufgabe Reasoning über ein Transkript, Zusammenfassung, Übersetzung oder eine andere Textgenerierung erfordert, ist ein Textmodell die bessere Wahl, wobei MAI-Transcribe 2 zuerst verwendet wird, um das Transkript zu erstellen. Wenn Ihr Audio außerhalb der 60 unterstützten Sprachen liegt, wird dieses Modell wahrscheinlich nicht helfen.