Microsofts MAI-Audio: Was Streaming für Sprachdialoge bringt

Microsoft hat am 1. Oktober 2026 drei neue Audiomodelle vorgestellt: MAI-Transcribe-2-Streaming für laufende Spracherkennung sowie MAI-Voice-2.1 und MAI-Voice-2.1-Flash für die Sprachausgabe. Damit können Anwendungen bereits während des Sprechens Text anzeigen und anschließend eine gesprochene Antwort erzeugen. Der praktische Fortschritt liegt im Zusammenspiel dieser Bausteine; einen vollständigen Gesprächsassistenten mit eigener Entscheidungslogik liefert ein Audiomodell allein noch nicht.

Das Wichtigste in Kürze

• MAI-Transcribe-2-Streaming liefert vorläufige und bestätigte Textabschnitte aus einem laufenden Audiostrom. Microsoft nennt Unterstützung für 60 Sprachen.
• MAI-Voice-2.1 und die Flash-Variante erzeugen Sprache aus Text und unterstützen laut Microsoft 23 Sprachen, darunter Deutsch.
• Die angekündigten Preise betragen 0,54 US-Dollar je Audiostunde für die Streaming-Transkription bis Jahresende sowie 22 beziehungsweise 15 Dollar je Million Zeichen für die Sprachausgabe.
• Microsoft Learn kennzeichnet die neuen Azure-Funktionen als öffentliche Vorschau ohne garantierte Dienstgüte und empfiehlt sie derzeit nicht für Produktionslasten.

Wenn Text schon während des Sprechens erscheint

Eine gewöhnliche Aufnahme lässt sich nach ihrem Ende transkribieren. Bei einem Gespräch wäre dieses Warten störend. Streaming-Spracherkennung verarbeitet deshalb fortlaufend eintreffendes Audio und liefert Zwischenergebnisse. Das kann einer Person beim Diktieren sofort Rückmeldung geben oder Untertitel während eines Vortrags anzeigen. Es kann auch einen Assistenten früher erkennen lassen, worum es in einer Anfrage wahrscheinlich geht.

Das Wort „wahrscheinlich“ ist entscheidend. Microsofts technische Unterlagen unterscheiden ausdrücklich zwischen vorläufigem Text und bestätigten Abschnitten. Ein Zwischenergebnis wird ersetzt, wenn sich die Erkennung mit mehr Audio verbessert. Eine Oberfläche darf deshalb nicht einfach jedes neu eintreffende Textstück hinten anhängen. Sonst entstehen Wiederholungen oder mehrere Fassungen derselben Aussage.

Für Nutzer sollte diese Unterscheidung sichtbar werden: Laufender Text kann noch in Bewegung sein, abgeschlossene Abschnitte werden stabil dargestellt. Bei einer Notiz ist eine spätere Korrektur verkraftbar. Wenn ein Assistent aus einem gehörten Satz eine Bestellung oder Terminänderung ableitet, bekommt dieselbe Korrektur ein anderes Gewicht. Aus der technischen Trennung folgt daher eine Gestaltungsaufgabe: Vorläufiges Verstehen und verbindliches Handeln brauchen unterschiedliche Schwellen.

Die direkte Realtime-Schnittstelle verlangt zudem eigene Arbeit an der Gesprächsführung. Laut Dokumentation bietet dieser Weg derzeit keine serverseitige automatische Erkennung des Sprechendes und keinen automatischen Abschluss des Audiobuffers. Die Anwendung muss den Abschluss selbst auslösen, etwa bei einer erkannten natürlichen Pause. Schnelle Textausgabe beantwortet also nicht von allein die Frage, wann jemand mit seinem Anliegen wirklich fertig ist.

Zwei Stimmenmodelle für unterschiedliche Aufgaben

Auf der Ausgabeseite setzt Microsoft auf eine Aufteilung. MAI-Voice-2.1 ist für ausdrucksstarke Sprachausgabe und längere Inhalte positioniert. MAI-Voice-2.1-Flash richtet sich stärker an zeitkritische Dialoge und hohes Anfragevolumen. Beide verwandeln vorgegebenen Text in Audio. Welches Modell diesen Text inhaltlich formuliert, Informationen nachschlägt oder einen Vorgang bearbeitet, ist eine weitere Entscheidung des Anwendungsentwicklers.

Für eine Lernanwendung kann eine wiedererkennbare Stimme über Sprachwechsel hinweg interessant sein. Für einen Serviceassistenten zählen dagegen auch kurze Pausen, klare Aussprache und das Verhalten bei Unterbrechungen. Dieselbe Abwägung zwischen längerer Erzählung und schneller Interaktion beschäftigt auch andere neue Sprachmodelle wie Eleven v4. Ein gutes Hörbeispiel für einen langen Text beweist noch keinen flüssigen Gesprächsablauf.

Microsoft veröffentlicht Geschwindigkeitsangaben für seine Modelle. Diese beschreiben bestimmte Verarbeitungsschritte und Messbedingungen, nicht die gesamte Wartezeit eines fertigen Assistenten. Zwischen Mikrofon und Lautsprecher liegen auch Netzwerk, Transkription, Antworterzeugung und gegebenenfalls Werkzeugaufrufe. Die sinnvolle Messgröße für einen Prototyp ist daher, wie lange eine Person nach ihrem Satz bis zur passenden Antwort wartet und ob das System sie ausreden lässt.

Für eigene Stimmen nennt Microsoft zusätzlich einen geregelten Zugang. Die Azure-Dokumentation verlangt eine Freigabe und eine Audioeinwilligung, bevor eine persönliche Stimme erstellt wird. Das ist von den bereits angebotenen Stimmen zu unterscheiden. Die Möglichkeit, eine Stimme aus einer kurzen Referenz nachzubilden, ist damit kein allgemein freier Zugang zum Klonen beliebiger Personen.

Wie sich die neuen Bausteine ausprobieren lassen

Ein überschaubarer Einstieg ist eine Oberfläche für Live-Untertitel. Entwickler können sich dabei auf Audioeingang, vorläufigen Text und endgültige Abschnitte konzentrieren, ohne zugleich eine Antwortlogik aufzubauen. Microsoft dokumentiert für die Transkription sowohl die direkte Realtime-Verbindung über WebSocket als auch das Azure Speech SDK, eine Bibliothek für die Einbindung in eigene Programme.

Das SDK kümmert sich laut Dokumentation um Verbindungsverwaltung und Wiederherstellung. Auch damit bleibt die Anwendung für die Darstellung verantwortlich: Bestätigten Text und aktuellen Zwischenstand getrennt behandeln, Verbindungsfehler anzeigen und einen unbestätigten Text nicht nach einem Fehler als endgültig speichern. Das sind konkrete Bedingungen für brauchbare Untertitel, keine kosmetischen Details.

Alternativ bietet Vercel die Modelle über sein AI Gateway an. Der Anbieter zeigt eine Streaming-Transkription und die Erzeugung gesprochener Antworten mit seinem AI SDK. OpenRouter führt ebenfalls die beiden Stimmenmodelle. Dieser Zugang erleichtert die Einbindung in bestehende Anwendungen, ersetzt aber nicht die Prüfung des jeweiligen Endpunkts, seiner Verfügbarkeit und seiner Abrechnung. Ein gelistetes Modell bedeutet noch nicht, dass alle Spezialfunktionen überall identisch verfügbar sind.

Die Preisangaben verwenden unterschiedliche Einheiten: Audiostunden für die Erkennung, Zeichen für die Ausgabe. Wer einen Gesprächsassistenten kalkuliert, muss beide Seiten getrennt erfassen. Hinzu kommen gegebenenfalls das Modell für die Antwort und externe Dienste. Der bis Jahresende angekündigte Einführungspreis der Transkription ist deshalb weder ein dauerhafter Tarif noch der Gesamtpreis eines Gesprächs.

Der nächste Schritt ist ein messbarer Gesprächsprototyp

Die neuen Modelle eröffnen einen nachvollziehbaren Versuch: kurze deutsche Anfragen transkribieren, bestätigten Text verarbeiten und eine passende Antwort vorlesen lassen. Dafür sollten Beispiele mit Pausen, Selbstkorrekturen, Eigennamen und Hintergrundgeräuschen dazugehören. Erst diese Fälle zeigen, ob frühe Teilergebnisse der Anwendung helfen und ob die spätere Bestätigung sauber verarbeitet wird.

Die öffentliche Vorschau setzt dem Einsatz zugleich eine klare Grenze. Für einen Prototyp ist sie ein Angebot zum Ausprobieren; eine belastbare Produktionszusage ist sie nach Microsofts eigener Dokumentation derzeit nicht. Der relevante Fortschritt ist somit eine flexiblere Kombination von Hören und Sprechen. Ob daraus ein hilfreicher Gesprächspartner wird, entscheidet sich an Übergängen und Alltagssituationen, die eine Modellankündigung nur teilweise abbildet.