Du redest, und der Text erscheint, während du noch mittendrin im Satz bist. Kein "Senden"-Klick, kein Warten, bis die KI erst nach deinem letzten Wort loslegt. Genau das verspricht Metas neues Modell Muse Voice Transcribe – und zum ersten Mal seit Jahren fühlt sich Diktieren am Rechner wieder nach etwas Neuem an, statt nach der klapprigen Windows-Spracherkennung aus den Nullerjahren.
Was Muse Voice Transcribe kann
Muse Voice Transcribe kommt aus den Meta Superintelligence Labs und erledigt drei Jobs in einem Durchlauf: Sprache in Text umwandeln (Transkription), erkennen, wer gerade redet (Diarisierung), und merken, wann jemand fertig ist mit Reden (Endpointing). Alle 80 Millisekunden entscheidet das Modell neu, ob es weiter zuhört oder schon zu schreiben anfängt. Klingt nach Technik-Kleinkram, ist aber der Unterschied zwischen "KI tippt mit spürbarer Verzögerung mit" und "KI tippt praktisch gleichzeitig mit".
Trainiert wurde das Modell auf über 70 Sprachen, wobei Meta für rund 25 davon konkrete Qualitätszahlen nennt – welche genau, verrät das Unternehmen nicht im Detail. Praktisch heißt das: Bei Deutsch, Englisch oder Spanisch darfst du gute Ergebnisse erwarten, bei exotischeren Sprachen probierst du es besser erst selbst aus. Nebenbei erkennt das Modell auch Code-Switching – wenn du mitten im Satz zwischen zwei Sprachen wechselst, wie es im echten Leben eben passiert.
Beeindruckend ist die Sprechererkennung: Bis zu 20 Personen gleichzeitig soll das Modell auseinanderhalten können. Für ein Meeting-Protokoll oder eine Podcast-Transkription ist das eine Ansage – vorausgesetzt, die Praxis hält, was die Benchmarks versprechen.
Was geht kostenlos – und was kostet dann Geld?
Hier wird es interessant für zwei ziemlich unterschiedliche Zielgruppen. Wer einen Mac hat, bekommt Muse Voice Transcribe gerade quasi geschenkt: Es steckt bereits in der Diktierfunktion von Meta AI für Mac. Fn-Taste gedrückt halten, reden, loslassen – der Text landet in praktisch jeder App, ganz ohne Zusatz-Download.
Wer selbst etwas damit bauen will – einen Voice-Bot, eine Live-Untertitelung, ein eigenes Transkriptions-Tool – zahlt über die Meta Model API aktuell rund 3 Dollar pro 1.000 Audiominuten. Umgerechnet landet das bei ungefähr 18 Cent pro Stunde Audio. Nicht nichts, aber auch keine Hausnummer, die einen Hobby-Entwickler ruiniert.
Der Haken, wie so oft: Es gibt keine Möglichkeit, das Modell selbst zu hosten. Wer aus Datenschutzgründen alles On-Premise laufen lassen will oder ohnehin auf offene Gewichte setzt, guckt bei Muse Voice Transcribe in die Röhre. Für alle anderen ist die API-Lösung bequem – bequem heißt aber auch: deine Audiodaten laufen über Metas Server.
Datenschutz: Wohin wandern deine Worte?
Meta schreibt zur eigenen Demo, dass Audio nur zur Transkription verarbeitet und danach nicht gespeichert wird – und lässt Nutzer vorher bestätigen, dass sie die Aufnahme-Erlaubnis haben. Was das konkret für Drittanbieter-Apps bedeutet, die die API nutzen, steht allerdings in den Sternen: Eine pauschale Zusage für alle Anwendungen macht das Modell selbst nicht. Bevor du ein wichtiges Vier-Augen-Gespräch live mitschneiden lässt, lohnt ein kurzer Blick, was der jeweilige App-Anbieter mit den Daten vorhat – wollen wir niemandem unterstellen, ausschließen kann man es aber eben auch nicht.
Für wen lohnt sich das?
Die Mac-Diktierfunktion ist für alle interessant, die viel tippen und die Klick-Hürde vor jeder Diktier-App leid sind – kein Setup, sofort nutzbar, richtet sich also klar auch an Einsteiger. Die API dagegen ist Entwickler-Terrain: Wer selbst keine Zeile Code schreiben will, merkt davon erstmal nichts, außer dass Muse Voice Transcribe in den nächsten Monaten still und leise in Apps auftaucht, die du ohnehin schon nutzt.
Ausprobieren lohnt sich trotzdem für beide Seiten: Mac-Nutzer testen die Fn-Taste beim nächsten Chat-Tippen, alle anderen halten einfach die Augen offen, wo Muse Voice Transcribe demnächst auftaucht. Diktieren war selten so unaufgeregt gut.