Metas Transkriptionsmodell ist das genaueste, aber nicht das schnellste
Meta Superintelligence Labs hat am 1. September 2026 Muse Voice Transcribe veröffentlicht, ein Modell, das gesprochene Sprache im laufenden Strom mitschreibt. Artificial Analysis misst dafür die niedrigste Wortfehlerrate seiner Streaming-Bestenliste – 3,06 Prozent. Bei der Zeit bis zum endgültigen Text steht das Modell dort mit 0,16 Sekunden auf Rang fünf von sieben.
✓ Aussagen gegen die Quellen geprüft · 6. September 2026
Artificial Analysis prüft Streaming-Transkription auf eigener Hardware und mischt dafür drei Datensätze: AA-AgentTalk zur Hälfte, VoxPopuli und Earnings22 zu je einem Viertel. In dieser Messung steht Muse Voice Transcribe am 6. September 2026 mit 3,06 Prozent Wortfehlerrate vorn – vor Cartesia Ink-2 mit 3,36 Prozent, ElevenLabs Scribe v2 Realtime mit 3,59 Prozent und Google Gemini 3.5 Transcribe Live mit 4,00 Prozent.
Die zweite Messgröße derselben Bestenliste sind die Sekunden bis zur endgültigen Abschrift, nachdem jemand aufgehört hat zu sprechen. Vorn liegt dort Deepgram Flux mit 0,02 Sekunden, es folgen Cartesia und Inworld mit je 0,07 sowie ElevenLabs mit 0,14; Muse Voice Transcribe braucht 0,16 Sekunden. Beim Preis ist Meta mit 3 US-Dollar je 1.000 Audiominuten Zweiter hinter Inworld mit 1,39 Dollar.
Meta beschreibt das Modell als autoregressives multimodales Modell aus der Muse-Spark-Familie. Das Audio läuft in Abschnitten von 80 Millisekunden ein, jeder wird zu einem einzigen TokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen →; nach jedem Abschnitt entscheidet das Modell, ob es weiter zuhört oder Text ausgibt. Wie lange es je Wort wartet, hat es im Training gelernt – über eine Belohnung, die Fehlerrate und Verzögerung miteinander multipliziert.
Die übrigen Angaben stammen von Meta selbst: Training in mehr als 70 Sprachen, davon 25 ausführlich geprüft, Aufnahmen über eine Stunde Länge und mehr als 20 auseinanderzuhaltende Sprecher ohne Nachbearbeitung. Für die Sprechertrennung nennen die Diagramme des Blogeintrags 17,5 Prozent Fehler auf den Datensätzen AMI-IHM, AMI-SDM und VoxConverse. Nutzbar ist das Modell über die Meta Model API, Meta AI für Mac und Muse Code; zu offenen Gewichten steht dort nichts.