Microsoft AI startet Streaming-Transkriptionsmodell und zwei Sprachmodelle
Microsoft AI hat mit MAI-Transcribe-2-Streaming sein erstes Streaming-Transkriptionsmodell vorgestellt, das nach Angaben des Unternehmens direkt auf Platz 1 bei Artificial Analysis startet. Zudem kündigte der Konzern zwei Sprachmodelle an: MAI-Voice-2.1 und die schnellere Variante MAI-Voice-2.1-Flash.
- Microsoft AI hat mit MAI-Transcribe-2-Streaming sein erstes Streaming-Transkriptionsmodell gestartet.
- Laut Microsoft startet das Modell auf Platz 1 bei Artificial Analysis.
- Angekündigt wurden zwei neue Sprachmodelle: MAI-Voice-2.1 und MAI-Voice-2.1-Flash.
- Microsoft sagt, die Modelle seien für Sprachagenten im Dialog gebaut und präzise, schnell und kostengünstig.
- Der Ankündigungstext nennt weder Preise noch Benchmark-Werte oder Angaben zur Verfügbarkeit.
Erstes Streaming-Transkriptionsmodell
In seiner Ankündigung vom 1. Oktober 2026 stellte Microsoft AI MAI-Transcribe-2-Streaming als sein erstes Streaming-Transkriptionsmodell vor. Laut Unternehmen startet es auf Platz 1 bei Artificial Analysis, einem Ranking, das Microsoft als Beleg für die Fähigkeiten des Modells beim Audioverständnis anführt.
Streaming-Transkription wandelt Sprache direkt beim Sprechen in Text um, statt auf eine vollständige Aufnahme zu warten. Damit eignet sie sich für Live-Dialoge im Wechselspiel, etwa bei Sprachagenten. Genau diesen Anwendungsfall hebt Microsoft für die Veröffentlichung hervor.
Zwei neue Sprachmodelle: MAI-Voice-2.1 und MAI-Voice-2.1-Flash
Neben dem Transkriptionsmodell kündigte Microsoft AI MAI-Voice-2.1 und MAI-Voice-2.1-Flash an. Das zweite beschreibt das Unternehmen als „blitzschnelle Variante“ des ersten. Der Seitentitel verweist zudem auf mehrsprachige Stimmen, welche Sprachen unterstützt werden, geht aus dem vorliegenden Text jedoch nicht hervor.
Microsoft versteht die drei Modelle als zusammengehöriges Set. Nach eigenen Worten liefern sie Nutzern „schnelle und flüssige Bausteine, um Konversationserlebnisse zu schaffen, ohne Kompromisse bei Genauigkeit oder Stimmqualität“. Das Unternehmen positioniert die Modelle MAI-Transcribe und MAI-Voice als präzise, schnell und kostengünstig, mit Spitzenwerten beim Audioverständnis und bei der Audioerzeugung, ausgerichtet auf den Bau von Sprachagenten für Gespräche.
Was die Ankündigung offenlässt
Der verfügbare Text der Ankündigung ist knapp. Er enthält weder Preise noch Fehlerraten, unterstützte Sprachen, Latenzwerte oder Angaben dazu, wo und wie Entwickler auf die Modelle zugreifen können. Die Behauptung, an der Spitze zu stehen, stammt von Microsoft selbst, die konkreten Benchmark-Werte dahinter nennt der vorliegende Text nicht.
Was das für Entwickler von Sprachprodukten bedeutet
Die Veröffentlichung verbindet Spracherkennung mit Sprachausgabe, die beiden Hälften eines Sprachagenten für Gespräche. Mit einem Streaming-Transkriptionsmodell, einem Standard-Sprachmodell und einer schnelleren Flash-Variante präsentiert Microsoft AI ein abgestimmtes Paket für Teams, die gesprochene Schnittstellen bauen wollen.
Für Entwickler dürften Zugang, Kosten und die Latenz im Praxiseinsatz die entscheidenden Fragen sein. Zu keinem dieser Punkte liefert der Ankündigungstext Details. Bis dahin sind das Ranking bei Artificial Analysis und Microsofts eigene Beschreibung der Modelle als präzise, schnell und kostengünstig die wichtigsten verfügbaren Anhaltspunkte.
