Vertiefende Analyse · Etwa 6 Min. Lesezeit
Azure AI Speech 09-2026 erweitert die Sprachabdeckung; Geschwindigkeitsangaben gelten vor allem für kurze Audios unter hoher Parallelität
Microsoft ergänzt 25 Sprachen und meldet Fortschritte bei Erkennung und Verarbeitung. Für die Integration zählen Locale-Hinweise, Fachvokabular und die Grenzen der veröffentlichten Evaluierung.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Microsoft stellt Azure AI Speech LLM 09-2026 in seiner Ankündigung vom 26. Oktober als Aktualisierung der mehrsprachigen Transkription über die Fast Transcription API vor. Hinzu kommen 25 Sprachen, darunter 11 Sprachen des indischen Sprachraums; außerdem berichtet das Unternehmen über Verbesserungen bei Qualität und Verarbeitung gegenüber 2607. Das sind Angaben von Microsoft. Die Ankündigung liefert keinen unabhängigen Benchmark und belegt nicht, dass bereits jedes Konto in jeder Region aktualisiert wurde.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Microsoft zufolge kommen 25 Sprachen hinzu, darunter 11 Sprachen des indischen Sprachraums. Die angegebene Abdeckung steigt damit auf 50 Sprachen und mehr als 60 Locales. Sprachen und regionale Sprachvarianten sind unterschiedliche Zählgrößen.
- Das Unternehmen meldet aus internen Evaluierungen eine Verbesserung der Token Error Rate um bis zu 25% und der Entity Error Rate um 37%. Die Verarbeitung soll gegenüber 2607 bis zu 2-mal schneller sein, insbesondere bei 5–10 Sekunden langen Audios und hoher Parallelität.
- Bei einer Mischung unterstützter Sprachen empfiehlt Microsoft, auf Locale-Hinweise zu verzichten. Phrasenlisten unterstützen bis zu 2.000 Phrasen; keine dieser Einstellungen garantiert eine korrekte Transkription.
Bei der Abdeckung zwischen Sprachen und Locales unterscheiden
Die wichtigste Ergänzung sind 25 Sprachen, darunter 11 aus dem indischen Sprachraum. Microsoft nennt für diese Erweiterung Assamesisch, Bengalisch, Gujarati, Kannada, Malayalam, Marathi, Odia, Punjabi, Tamil, Telugu und Urdu; als weitere Neuzugänge führt es unter anderem Katalanisch, Malaiisch und Walisisch an. Insgesamt gibt das Unternehmen 50 Sprachen in mehr als 60 Locales an. Regionale Varianten können dieselbe Sprache verwenden und trotzdem unterschiedliche Locale-Einstellungen erfordern.
Der Artikel veranschaulicht den Anwendungsfall anhand einer Konsultation in Kuwait, bei der Arabisch, Hindi und indisches Englisch in einer Aufnahme vorkommen. Dies ist ein Anbieterbeispiel für einen mehrsprachigen Ablauf, kein von AISubHub untersuchter klinischer Einsatz. Nach unserer Analyse brauchen einsprachige Archive und Gespräche mit Sprachwechseln unterschiedliche Einstellungen. Die verlinkte vollständige Unterstützungstabelle wurde nicht gesondert geprüft; dieser Artikel liefert daher keine abschließende Liste aller berechtigten Anwendungsfälle.
Qualitätszahlen nur innerhalb ihrer Evaluierungsgrenzen lesen
Microsoft führt die Erkennungsfortschritte auf interne Evaluierungen mit internen und öffentlichen Benchmarks wie GigaSpeech und VoxPopuli zurück. Es meldet eine Verbesserung der Token Error Rate um bis zu 25% und der Entity Error Rate um 37% und hebt dabei Entitäten im Kontext von Geschäftsergebnissen in Finanzszenarien hervor. Diese Angaben sind weder als Verbesserungen in Prozentpunkten noch als Zusage desselben Ergebnisses für jede Sprache, jeden Akzent und jede Aufnahme zu verstehen; die Berechnungsgrundlage wird nicht angegeben.
Die Ankündigung nennt weder die Ausgangsfehlerraten noch eine vollständige Aufschlüsselung der Testdaten, Stichprobengrößen oder genügend Evaluierungseinstellungen zur Reproduktion der Zahlen. Nach unserer Lesart fragt eine auf Entitäten ausgerichtete Evaluierung über die sprachliche Flüssigkeit des Transkripts hinaus, ob wichtige Fachbegriffe korrekt sind. Ein Ergebnis zu Finanzentitäten belegt trotzdem keine Genauigkeit bei medizinischer Terminologie. Um dies zu beurteilen, braucht eine Organisation eigene annotierte Beispiele, einschließlich schwieriger Namen und Sprachwechsel.
Die Geschwindigkeitsangabe ist begrenzt; auch Stille muss geprüft werden
Verglichen wird mit LLM Speech 2607, nicht mit jedem Sprachprodukt oder jedem Transkriptionsmodus von Azure. Microsoft beansprucht eine bis zu 2-mal schnellere Verarbeitung, besonders für kurze Clips von 5–10 Sekunden bei hoher Parallelität, die es als mehrere gleichzeitige Streams beschreibt. Dies betrifft die Verarbeitungsleistung unter einer bestimmten Lastbedingung. Daraus folgen weder eine feste Ende-zu-Ende-Latenz noch eine garantierte Streaming-Dienstqualität oder eine proportionale Senkung der Kundenrechnung.
Microsoft beschreibt außerdem eine Verringerung erfundener Inhalte bei stillen und leeren Audios, nennt aber keine zahlenmäßige Rate. Das ist eine Aussage über eine Verringerung, keine Zusicherung, dass Stille niemals Text erzeugen kann. Nach unserer Analyse sollte eine sinnvolle Abnahme sowohl stark ausgelastete als auch stille Eingaben umfassen: Parallele kurze Aufnahmen können das Durchsatzverhalten zeigen; leere oder stille Dateien können aufdecken, ob nachgelagerte Abläufe erfundene Inhalte erhalten. AISubHub hat keinen dieser Tests ausgeführt.
Hinweise für gemischte Sprachen von einem ungeprüften Beispiel trennen
Für eine Datei mit mehr als einer unterstützten Sprache erklärt der Fließtext den mehrsprachigen Modus zum Standard und empfiehlt, Locale-Hinweise wegzulassen. Ein Locale-Hinweis ist demnach für tatsächlich einsprachige Audios vorgesehen, statt ein gemischtes Gespräch damit auf eine Sprache zwingen zu wollen. Diese Unterscheidung ist beim Lesen des Anfragebeispiels entscheidend.
Das unmittelbar folgende Beispiel enthält dennoch eine locales-Liste; die Erläuterung beschreibt einen Fall mit bekannten Locales. In der sichtbaren Liste stehen die Locale-Werte ohne Anführungszeichen, weshalb die dargestellte definition in dieser Form kein gültiges JSON ist. Wir haben weder den Befehl ausgeführt noch eine korrigierte Anfrage validiert. Unser Rat lautet, zunächst den einsprachigen oder gemischtsprachigen Fall zu bestimmen und anschließend das aktuelle Anfrageschema separat zu prüfen. Das Kopieren dieses Beispiels belegt keine funktionierende Integration.
Phrasenlisten bieten eine separate Einstellung für Produktnamen, Abkürzungen und Fachvokabular. Microsoft nennt höchstens 2.000 Phrasen über den dafür vorgesehenen Parameter phraseList. Das ist eine Grenze für die Vokabulareingabe, keine Behauptung, dass jeder aufgeführte Begriff erkannt wird oder dass Phrasenhinweise eine Evaluierung ersetzen. Die verlinkte Konfigurationsdokumentation wurde nicht gesondert gelesen.
Verfügbarkeit liefert weder einen vollständigen Rollout-Zeitpunkt noch einen Preis
Die Ankündigung nennt die Fast Transcription API als Bereitstellungsweg und verweist auf REST, SDK und Foundry Playground. Zugleich heißt es, Kunden müssten nichts unternehmen und die Aktualisierung werde automatisch auf der Dienstseite bereitgestellt. Der Text nennt weder einen genauen Abschlusszeitpunkt des Rollouts noch eine Regionenliste, Bedingungen für Kontostufen oder Preisänderungen. Die Formulierungen zur jetzigen Verfügbarkeit und zur künftigen automatischen Bereitstellung dürfen nicht zur Aussage zusammengezogen werden, dass bereits alle Kunden umgestellt wurden.
Aus diesen Bedingungen leiten wir folgende Prüfliste ab: Verfügbarkeit für die betreffende Ressource verifizieren, Locale-Behandlung passend zu den Aufnahmen wählen, wichtiges Vokabular und stille Eingaben testen und die vorgesehene Parallelität messen. Dies ist ein aus den Bedingungen der Ankündigung abgeleitetes Evaluierungsvorgehen, keine getestete Konfiguration oder Leistungsbestätigung. Für diesen Artikel wurden weder API-Aufrufe, Bereitstellungen, Abrechnungsvergleiche noch unabhängige Erkennungsexperimente durchgeführt.
Warum es wichtig ist
Die Aktualisierung könnte die Bandbreite der Aufnahmen erweitern, die ein einzelner Transkriptionsablauf verarbeiten kann. Der praktische Nutzen hängt davon ab, ob Sprachauswahl, Fachvokabular und Parallelität zum eigenen Material passen. Eine Gesamtzahl unterstützter Sprachen oder ein Geschwindigkeitsvergleich im günstigsten Fall ist keine betriebliche Garantie.
Grenzen und Verfügbarkeit
Diese Analyse beruht auf der vollständig gelesenen sichtbaren Microsoft-Ankündigung, die den 26. Oktober als Datum mit Tagesgenauigkeit angibt. Die verlinkten Dokumente zu Unterstützung, Konfiguration und Benchmarks wurden nicht gesondert geprüft. Die internen Ergebnisse von Microsoft wurden hier nicht unabhängig reproduziert; genauer Rollout-Zeitpunkt, regionale und kontobezogene Verfügbarkeit, Preise und vollständige Evaluierungsmethodik bleiben unbestimmt.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.