Microsoft AI veröffentlicht schnellere und günstigere Spracherkennungsmodelle

Microsoft AI hat am Donnerstag sein MAI-Transcribe-2-Modell zur Spracherkennung veröffentlicht, das nach Angaben des Unternehmens schneller, genauer und kostengünstiger ist als die Angebote von OpenAI, Google und ElevenLabs. Das Modell wird zu einem Preis von 10 Cent pro Stunde verarbeiteten Audios angeboten.

Diese Preisgestaltung stellt eine deutliche Reduzierung gegenüber der vorherigen Generation dar, die 0,36 Dollar pro Stunde kostete. Für Unternehmen, die erhebliche Audio-Volumina verarbeiten, wie z. B. 100.000 Stunden pro Jahr, könnte diese Preissenkung Einsparungen in Zehntausenden von Dollar pro Jahr bedeuten.

Die Veröffentlichung ist Teil von Microsofts umfassender Strategie, eigene, hochmoderne KI-Modelle für verschiedene Modalitäten zu entwickeln. Spracherkennung ist ein Bereich, in dem diese Strategie rapide Fortschritte gemacht hat. MAI-Transcribe-2 erweitert die Sprachunterstützung auf 60 Sprachen, verglichen mit 43 in seinem Vorgänger, und ist so konzipiert, dass es auch anspruchsvolle Audiobedingungen in Geschäftsumgebungen bewältigen kann.

Zu den Hauptmerkmalen für Unternehmenskunden gehören die Sprecher-Diarisierung, wortgenaue Zeitstempel und die Schlüsselwort-Priorisierung für verbesserte Genauigkeit bei fachspezifischem Jargon. Das Modell bietet auch eine automatische Spracherkennung und verarbeitet Code-Switching innerhalb von Gesprächen. Zuvor erforderten diese Funktionen oft separate Premium-Dienste.

Microsoft verweist auf Benchmark-Ergebnisse, darunter eine Spitzenplatzierung im FLEURS-Benchmark für 60 Sprachen und eine zweitplatzierte Position auf der Genauigkeits-Latenz-Rangliste von Artificial Analysis. Das Unternehmen gibt auch signifikante Geschwindigkeitsvorteile gegenüber konkurrierenden Modellen an, was die wettbewerbsfähige Preisgestaltung und die effiziente Leistung des Modells ermöglicht.