Microsoft claimt de beste real-time spraakherkenning met 2,5% foutmarge

TL;DR

• Wat: Microsoft bracht MAI-Transcribe-2-Streaming uit, een real-time spraak-naar-tekstmodel dat op de onafhankelijke AA-WER Streaming-benchmark de eerste plaats behaalt met 2,5% woordfoutpercentage.
• Waarom relevant: Spraakherkenning die snel én nauwkeurig genoeg is voor live gebruik, maakt toepassingen als automatische notulering en klantenservice-transcriptie een stuk praktischer.
• Wat je ermee kunt: Bekijk of je huidige transcriptietool nog voldoet — de prijzen en kwaliteit in deze markt verschuiven snel.

Ik stuitte op een bericht van Artificial Analysis, een onafhankelijke benchmarkpartij, over een nieuw spraakherkenningsmodel van Microsoft. Wat mijn aandacht trok: het model scoort niet alleen het beste op nauwkeurigheid, maar doet dat ook razendsnel — binnen 0,13 seconde na het einde van een gesproken zin. Dat is snel genoeg om in een live gesprek mee te draaien zonder merkbare vertraging.

Wat is er precies gelanceerd?

Microsoft AI heeft MAI-Transcribe-2-Streaming uitgebracht, een streamingversie van hun eerder verschenen MAI-Transcribe-2-model. Het verschil met een 'gewoon' transcriptiemodel: een streamingmodel verwerkt audio terwijl iemand praat, in plaats van achteraf een heel audiobestand te analyseren. Je krijgt dus tussentijdse resultaten die steeds worden bijgewerkt, en een definitieve transcriptie zodra een zin is afgerond.

Het model ondersteunt volgens Microsoft 60 talen — waaronder Nederlands — en biedt functies als sprekersherkenning (diarization), tijdstempels per woord en de mogelijkheid om specifieke zoekwoorden voorrang te geven (keyword biasing). Dat laatste is handig als je vakjargon of productnamen gebruikt die een standaardmodel niet zou herkennen.

Belangrijk om te vermelden: het model is op dit moment beschikbaar als public preview via Azure. Dat betekent dat het nog geen productiegaranties heeft. Microsoft zegt dat zelf ook expliciet in de documentatie.

Hoe goed is 2,5% foutmarge?

Om dat getal in context te plaatsen: het woordfoutpercentage (Word Error Rate, of WER) geeft aan hoeveel woorden van de honderd verkeerd worden herkend. Bij 2,5% WER maakt het model gemiddeld 2 à 3 fouten per honderd woorden. Dat klinkt misschien als weinig, maar in een vergadering van een uur met pakweg 8.000 gesproken woorden zijn dat nog steeds zo'n 200 fouten.

Toch is dit een duidelijke stap vooruit. De vorige koplopers op dezelfde benchmark — Cartesia Ink-2 met 3,59% WER en ElevenLabs Scribe v2 met 3,64% — zitten daar merkbaar boven. Microsoft haalt dus ruwweg 30% minder fouten dan de eerdere nummer één, en doet dat met een kortere responstijd: 0,13 seconde tegenover 0,21 seconde bij Cartesia.

Ik vind het wel eerlijk om erbij te zeggen: dit zijn Engelstalige benchmarks. De prestaties op Nederlands liggen doorgaans lager. Diverse bronnen melden dat AI-transcriptie voor Nederlands tussen de 85% en 95% nauwkeurigheid scoort bij heldere audio — dat is 5% tot 15% WER, een heel ander verhaal dan 2,5%. Of dit model ook voor Nederlands een sprong maakt, is nog niet onafhankelijk getest voor zover ik kan vinden.

Wat kost het?

De streamingversie van MAI-Transcribe-2 kost volgens OpenRouter $0,54 per audio-uur, omgerekend zo'n €0,50. De niet-streamingvariant — waarbij je een opgenomen bestand laat transcriberen — is voorlopig geprijsd op $0,10 per uur, al is dat een promotietarief dat geldt tot en met 31 december 2026.

Ter vergelijking: op de AA-WER-benchmark scoort Cartesia Ink-2 vergelijkbaar qua kwaliteit tegen $4,00 per duizend minuten (dat is $0,24 per uur), en ElevenLabs zit op $6,50 per duizend minuten ($0,39 per uur). Microsoft is met $0,54 per uur voor de streamingvariant dus niet per se de goedkoopste optie voor real-time gebruik.

Voor een concreet beeld: stel dat je als ondernemer dagelijks twee uur aan gesprekken live laat transcriberen. Dan zit je bij Microsoft op zo'n €1,00 per dag, oftewel ruwweg €22 per maand. Geen enorm bedrag, maar het loopt op als je een callcenter draait met tientallen gelijktijdige lijnen.

Wat betekent dit voor een ondernemer?

De toepassingen die Microsoft zelf noemt zijn herkenbaar: callcenters, vergadernotulering, voice assistants, ondertiteling en spraakgestuurde interfaces. Voor een MKB-ondernemer in Nederland zie ik vooral drie scenario's waar dit relevant wordt:

Vergaderingen en notulering

Als je nu al tools als Otter.ai of vergelijkbare transcriptiediensten gebruikt voor het vastleggen van vergaderingen, is dit een concurrent om in de gaten te houden. De combinatie van real-time transcriptie met sprekersherkenning en woordtijdstempels maakt het mogelijk om niet alleen een transcript te krijgen, maar ook te zien wie wat zei en wanneer.

Klantenservice

Voor bedrijven met telefonisch klantcontact kan live transcriptie helpen bij het automatisch vastleggen van gesprekken, het genereren van samenvattingen en het signaleren van terugkerende klachten. Wel iets om rekening mee te houden: sinds augustus 2026 geldt in de EU de verplichting onder Article 50 van de AI Act om bellers te informeren wanneer AI wordt ingezet bij klantgesprekken.

Nederlandse taal als aandachtspunt

Zakelijk Nederlands is vaak een mengvorm met Engelse termen — denk aan woorden als 'stakeholder', 'pipeline' of 'onboarding'. Dat maakt transcriptie lastiger, omdat modellen soms moeite hebben met taalwisselingen binnen één zin. Microsoft claimt ondersteuning voor 60 talen, maar hoe goed dat in de praktijk werkt voor Nederlands zakenspraak, is nog een open vraag.

Hoe betrouwbaar is deze benchmark?

De AA-WER Streaming-benchmark is opgezet door Artificial Analysis, een organisatie die onafhankelijke vergelijkingen maakt van AI-modellen. De benchmark test modellen op dezelfde ~8 uur audio, verdeeld over drie datasets: AA-AgentTalk, Earnings22-Cleaned-AA en VoxPopuli-Cleaned-AA. Dat zijn Engelstalige bronnen met uiteenlopende spreekstijlen.

Wat ik waardeer aan deze benchmark is dat die zowel nauwkeurigheid als snelheid meet — en die twee tegen elkaar afzet op een zogenoemde Pareto-lijn. Een model dat razendsnel is maar veel fouten maakt, scoort niet automatisch goed. Microsoft's model scoort op beide assen bovenaan, wat het resultaat sterker maakt dan een losse WER-score.

Tegelijk: één benchmark is één benchmark. De testdata is Engelstalig, de omstandigheden gecontroleerd. In een rumoerig kantoor, met accenten of achtergrondgeluid, kunnen de cijfers er anders uitzien.

Een kanttekening bij de preview-status

Microsoft plaatst het model nadrukkelijk als public preview. Dat betekent: geen service-level agreement, mogelijke beperkingen, en het advies om het niet voor productiewerklasten in te zetten. Voor een ondernemer die overweegt dit te integreren in een bedrijfsproces, is dat een relevante nuance. Testen en experimenteren kan, maar bouwen-en-vergeten is voorlopig niet verstandig.

Voor mij is dit vooral een signaal dat de markt voor real-time spraakherkenning snel volwassen wordt. Waar je een paar jaar geleden blij was met een bruikbaar transcript achteraf, gaat de strijd nu om milliseconden en tienden van procenten — live, terwijl iemand praat. De vraag is niet meer óf AI je gesprekken kan transcriberen, maar welk model het best past bij jouw taal, jouw budget en jouw specifieke situatie.