Meta Muse Voice Transcribe im Unternehmen: Was die Spracherkennung leistet und was mit Aufnahmen passiert

Mitarbeiterin mit Headset prüft ein Gesprächstranskript am Bildschirm in einem Büro.

Meta Muse Voice Transcribe im Unternehmen: Was die Spracherkennung leistet und was mit Aufnahmen passiert

Table of Contents

Zuletzt aktualisiert: 16. November 2026 · Version: 1.1.2

Redaktionshinweis: Dieser Artikel wurde mit KI-Unterstützung recherchiert und erstellt. Er wurde nach zwei externen Reviews überarbeitet und von der Redaktion zur Veröffentlichung freigegeben. Produkt-, Preis- und Vertragsangaben stammen aus der Dokumentation, den Bedingungen und der Ankündigung von Meta. Eigene Tests von Muse Voice Transcribe hat AI-Fabrik nicht durchgeführt. Funktionen und Bedingungen können sich ändern. Der Beitrag ersetzt keine Rechtsberatung.

In 30 Sekunden

  • Neu in der Meta Model API: Muse Voice Transcribe wandelt Sprache in Text, live über eine WebSocket-Verbindung oder als Datei. Deutsch gehört zu den 25 Sprachen, die Meta als geprüft angibt.
  • Nur Standardmodus: Einen günstigeren Contributor-Modus mit Trainingsfreigabe gibt es für das Modell nicht. Der Preis liegt bei 0,18 US-Dollar je Stunde Audio, auch mit Null-Speicherung.
  • Grenzen im Detail: Zeitstempel gibt es nur je Redebeitrag, nicht je Wort. Dateien dürfen höchstens zehn Minuten lang sein, Live-Sitzungen höchstens 60 Minuten.
  • Kennungen statt Namen: Die Sprechertrennung liefert Kennungen wie A und B statt Namen. Aufnahme und Transkript bleiben trotzdem personenbezogen.

Executive Summary

Für Diktat, Untertitel und Sprachagenten ist das Modell günstig und technisch klar dokumentiert. Bei Besprechungs- und Gesprächsprotokollen bleiben zwei Fragen beim Unternehmen: der Verarbeitungsort, zu dem Meta nichts zusagt, und die Qualität auf Deutsch, für die es keine Herstellerwerte gibt.

Was Unternehmen jetzt tun sollten

  1. Datenschutz, vor dem ersten TestRechtsgrundlage und Einwilligung für Aufnahmen klären, Null-Speicherung bei Meta beantragen und den Verarbeitungsort schriftlich erfragen.
  2. Fachbereich und IT, im PilotZehn bis zwanzig freigegebene deutsche Aufnahmen mit Fachbegriffen, Dialekten und Nebengeräuschen gegen die bisherige Lösung testen.
  3. Architektur, beim EinrichtenLange Aufnahmen in Abschnitte teilen, Transkripte selbst speichern und Sprecherkennungen nur in der eigenen Anwendung Personen zuordnen.

Der Beitrag richtet sich an IT-Leitung, Fachbereiche mit Kunden- oder Besprechungsgesprächen und an den Datenschutz. Er beantwortet, wofür sich Metas Spracherkennung eignet, was sie nicht leistet und welche Daten dabei an Meta gehen. Sinnvoll ist es, mit dem Anwendungsfall zu beginnen: Ein Diktat mit wenigen Minuten Länge stellt andere Fragen als das Protokoll einer Betriebsversammlung.

Wo Muse Voice Transcribe im Angebot von Meta steht

Meta hat das Modell am 1. September 2026 vorgestellt. Es ist Teil der Meta Model API, eines der drei Angebote auf der Seite Meta für Unternehmen. Dort laufen auch die Sprachmodelle Muse Wonder, Muse Spark und Muse Ember. Die Spracherkennung liefert nur den Text. Zusammenfassen, Aufgaben ableiten oder Antworten erzeugen muss ein zweites Modell übernehmen, etwa Muse Spark, oder die eigene Anwendung.

Nicht abgedeckt sind Sprachausgabe, Übersetzung und ein Betrieb auf eigener Hardware: Offene Gewichte gibt es für das Modell nicht. Wer Spracherkennung mit zugesagtem Endpunkt in der EU sucht, findet bei Mistral eine Alternative, die der Beitrag zu Voxtral 3 einordnet.

Was das Modell kann und was nicht

Laut Dokumentation gibt es zwei Zugänge zum selben Modell muse-voice-transcribe-1.0: eine WebSocket-Verbindung für Live-Audio und einen Endpunkt für fertige Aufnahmen. Drei Modi legen fest, was zurückkommt.

ModusWofür laut MetaWas zurückkommt
PUSH_TO_TALK (Standard)Diktat, Sprachbefehl, kontrollierte Aufnahme; die Anwendung bestimmt Anfang und EndeEin Text je Aufnahme, keine Gliederung in Redebeiträge
ENDPOINTINGSprachagenten, die erkennen müssen, wann jemand fertig gesprochen hatEin Text je erkanntem Redebeitrag mit Start- und Endzeit
DIARIZATIONBesprechungen und Telefonate mit mehreren Personen; laut Meta nicht für schnelle Sprachbefehle abgestimmtRedebeiträge mit Sprecherkennung wie A oder B

Quelle: Meta, Speech to text with Muse Voice Transcribe, abgerufen am 16. November 2026.

Mit languageBias lässt sich die erwartete Sprache vorgeben, mit keywords eine Liste von Produktnamen, Personen oder Abkürzungen. Beides lenkt die Erkennung, garantiert laut Meta aber keine exakte Schreibweise. Was fehlt, steht ausdrücklich in der Dokumentation: keine Zeitstempel je Wort, keine Konfidenzwerte, keine Erkennung von Geräuschen oder Stimmungen und keine Nachformatierung des Textes.

Die Grenzen bei der Länge sind für Unternehmen wichtiger, als sie zunächst wirken. Eine Datei darf höchstens zehn Minuten Audio und 32 MB umfassen und muss als Mono-WAV mit 16 Bit bei 16 oder 24 kHz vorliegen. Eine Live-Sitzung läuft höchstens 60 Minuten, danach braucht es eine neue Verbindung. Eine Fortsetzung gibt es nicht, die Abschnitte muss die eigene Anwendung zusammenführen. Für eine zweistündige Besprechung heißt das: zwölf Dateien oder mindestens zwei Live-Sitzungen, und die Sprecherkennungen beginnen in jeder neuen Sitzung von vorn.

Die Animation zeigt schematisch, wie im Modus DIARIZATION zwei Redebeiträge als Ereignisse ankommen und was die eigene Anwendung daraus macht.

Redaktionelle, schematische Darstellung von AI-Fabrik nach der Meta-Dokumentation, abgerufen am 16. November 2026, kein Produkt-Screenshot. Die Ereignisnamen stammen aus der Dokumentation, die Beispieltexte sind erfunden. Der fertige Text kommt erst mit speechComplete und kann vom letzten Zwischenstand abweichen.

Unsere Einschätzung

Für ein dauerhaft nutzbares Besprechungsarchiv reicht das Modell allein nicht aus. Wer lange Besprechungen erfassen will, muss Abschnitte, Sprecherzuordnung und Ablage selbst bauen und sollte das in die Kosten des Pilots einrechnen, nicht nur die 0,18 US-Dollar je Stunde.

Was mit den Aufnahmen passiert

Für das Modell gibt es nur den Standardmodus. Die Preisseite sagt ausdrücklich, dass der Contributor-Modus für Muse Voice Transcribe nicht verfügbar ist. Laut Nutzungsbedingungen (Stand 9. Oktober 2026, Abschnitt 5) verarbeitet Meta Inhalte aus dem Standardmodus als Auftragsverarbeiter nach den Meta Global Processor Terms und nutzt sie nicht zum Training. Die Falle, die der Beitrag zum Contributor-Modus der Meta Model API beschreibt, besteht bei der Spracherkennung also nicht. Sie entsteht erst, wenn das Transkript an ein Contributor-Modell wie muse-spark-1.3-contributor weitergereicht wird.

Standardmäßig darf Meta Inhalte aber aufbewahren, soweit es für den Dienst, gesetzliche Pflichten, Missbrauchserkennung und Sicherheit nötig ist (Abschnitt 4.4). Eine feste Frist nennen die Bedingungen nicht. Wer das enger fassen will, muss Null-Speicherung beantragen. Sie gilt für die ganze Organisation, wird von Meta freigeschaltet und kostet bei der Spracherkennung laut Preisseite nichts extra. Auch dann bleiben Nutzungszahlen, Betriebsdaten wie Modellname und Latenz und, bei einem Verdacht auf Verstoß gegen die Nutzungsrichtlinie, Ein- und Ausgaben bis zu zwei Jahre gespeichert.

Einen Verarbeitungsort nennen weder Dokumentation noch Bedingungen. Die Länderrichtlinie vom 9. November 2026 schränkt die Spracherkennung für keinen EU-Staat ein, sagt aber nur, von wo aus der Dienst genutzt werden darf, nicht, wo gerechnet wird. Eine Zusage, dass Audio in der EU verarbeitet wird, haben wir nicht gefunden. Für Aufnahmen mit Personenbezug gehört das in die Prüfung der Übermittlung.

Aufnahmen sind kein Testmaterial wie jedes andere: Wer das nichtöffentlich gesprochene Wort ohne Befugnis aufnimmt, macht sich nach § 201 StGB strafbar. Meta verlangt in Abschnitt 16.2 der Bedingungen zudem die Zusicherung, dass alle nötigen Rechte und Einwilligungen für die Eingaben vorliegen. Für den Pilot sollten nur Aufnahmen genutzt werden, deren Beteiligte zugestimmt haben, oder eigens eingesprochene Testtexte. Sollen Besprechungen von Beschäftigten erfasst werden, ist in Deutschland regelmäßig der Betriebsrat nach § 87 Abs. 1 Nr. 6 BetrVG zu beteiligen.

Die Sprechertrennung wirft eine weitere Frage auf. Die Kennungen A und B sind laut Meta nur innerhalb einer Sitzung gültig, keine geprüften Namen und erkennen dieselbe Person in einer anderen Sitzung nicht wieder. Daraus folgt keine Anonymität: Aufnahme und Transkript beziehen sich weiter auf die sprechenden Personen. Ob bei der Sprechertrennung biometrische Daten im Sinne von Art. 4 Nr. 14 DSGVO verarbeitet werden, lässt sich aus fehlenden Namen und fehlender Wiedererkennung allein nicht ableiten. Die Frage gehört in die Datenschutzprüfung, erst recht, wenn die eigene Anwendung Kennungen über Stimmprofile echten Personen zuordnen soll.

Qualität auf Deutsch selbst messen

Meta gibt an, mit dem Modell bei Artificial Analysis auf Platz eins für Spracherkennung im Datenstrom und bei öffentlichen Tests zur Sprechertrennung zu liegen, Stand 1. September 2026. Das sind Herstellerangaben. Werte je Sprache veröffentlicht Meta nicht, auch nicht für Deutsch. Eine Fehlerquote für deutsche Aufnahmen können wir deshalb nicht nennen.

Ein Test im Unternehmen braucht keine große Vorbereitung. Zehn bis zwanzig Aufnahmen reichen für einen ersten Eindruck, wenn sie typische Schwierigkeiten enthalten: Fachbegriffe und Produktnamen, Dialekt oder Akzent, Telefonqualität, Zahlen und Daten, Gespräche mit drei oder mehr Beteiligten. Dieselben Aufnahmen laufen durch die bisherige Lösung. Verglichen werden die Fehler bei den Begriffen, die fachlich zählen, und die Zeit für die Nachbearbeitung. Hinweise zum Aufbau solcher Prüfungen gibt der Beitrag zu Testfällen für KI-Assistenten.

Kosten und Grenzen im Betrieb

Meta berechnet 0,18 US-Dollar je Stunde verarbeitetes Audio, abgerechnet in ganzen Sekunden und abgerundet. Live und Datei kosten gleich viel. Nicht berechnet werden laut Dokumentation Anfragen, die scheitern, bevor ein Transkript entsteht, und Anfragen, die wegen eines Ratenlimits abgewiesen werden (Status 429). Eine eigene Beispielrechnung: 1.000 Stunden Gesprächsaufnahmen im Monat kosten 180 US-Dollar für die Erkennung. Zusammenfassungen durch ein Sprachmodell kommen hinzu und werden nach Tokens abgerechnet.

Je Team erlaubt Meta 256 gleichzeitige Verbindungen und 16.000 neue pro Stunde, für Live und Datei gemeinsam. Die Grenzen gelten laut Preisseite je Team, nicht je API-Schlüssel: Alle Schlüssel eines Teams teilen sich dasselbe Kontingent. Für ein Kontaktzentrum mit vielen parallelen Gesprächen ist die Zahl der gleichzeitigen Verbindungen die Grenze, die vor dem Ausbau geprüft werden sollte.

Pilotfragen vor dem Einsatz

  1. Für welchen Zweck nehmen wir auf, auf welcher Rechtsgrundlage, und haben alle Beteiligten zugestimmt?
  2. Hat Meta die Null-Speicherung für unsere Organisation freigeschaltet, und gibt es eine schriftliche Auskunft zum Verarbeitungsort?
  3. Wie gut erkennt das Modell unsere deutschen Fachbegriffe im Vergleich zur bisherigen Lösung, gemessen an eigenen Aufnahmen?
  4. Reichen Zeitstempel je Redebeitrag, oder brauchen wir Zeitstempel je Wort, etwa für Untertitel oder Schnitt?
  5. Wo speichern wir Transkripte, wer ordnet die Kennungen A und B Personen zu, und wird der Text nur an Modelle im Standardmodus weitergegeben?

Fazit: Gut für kurze Sprache, Arbeit für lange Gespräche

Für Diktat und Sprachagenten spricht wenig gegen einen Test. Für Besprechungsprotokolle ist das Modell nur ein Baustein: Abschnitte, Sprecherzuordnung, Ablage und die Klärung des Verarbeitungsorts bleiben Aufgabe des Unternehmens.

Die nächste Entscheidung: Wird Null-Speicherung beantragt und ein Pilot mit freigegebenen deutschen Aufnahmen gestartet, und wer verantwortet die Rückfrage an Meta zum Verarbeitungsort?

Quellen

Meta (abgerufen am 16. November 2026)

Recht

Weiterführende Artikel auf AI-Fabrik

KI-Wochenbrief für Entscheider

Jeden Freitag die neuen AI-Fabrik-Analysen kompakt per E-Mail: Modelle, Tools, DSGVO und EU AI Act mit Blick auf Unternehmen im DACH-Raum. Kostenlos, jederzeit abbestellbar.

Teile es