Microsoft erweitert MAI-Familie um Streaming-Transkription und Sprachmodelle

Microsoft Corp. hat seine KI-Modellfamilie MAI um ein Modell für Echtzeit-Streaming-Transkription sowie zwei Text-to-Speech-Modelle erweitert. Das Ziel ist es, Entwicklern die nötige Infrastruktur bereitzustellen, um natürliche Sprachagenten mit geringer Latenz zu realisieren.

Echtzeit-Streaming-Transkription

Die wichtigste Neuerung ist MAI-Transcribe-2-Streaming. Das Modell nimmt fortlaufende menschliche Sprache über ein WebSocket entgegen und aktualisiert Transkripte dynamisch während des Sprechens. Nach Angaben von Microsoft liefert das Modell erste Hypothesen im Schnitt innerhalb von 320 Millisekunden. Die Gesamtreaktionszeit kann jedoch durch die Netzwerkqualität und nachgelagerte KI-Generierungen beeinflusst werden. Im Vercel AI Gateway ist das Modell mit 0,54 US-Dollar pro Audio-Stunde gelistet und unterstützt über 60 Sprachen inklusive automatischer Spracherkennung.

Diese Streaming-Variante ist teurer als das im Vormonat veröffentlichte Standardmodell MAI-Transcribe-2, das 0,10 US-Dollar pro Audio-Stunde kostet. Die reguläre Version wartet ab, bis der Sprecher seinen Satz vollständig beendet hat, bevor die Verarbeitung beginnt, während die Streaming-Edition fortlaufend vorläufige Berechnungen anstellt.

Text-to-Speech und Agenten-Architektur

Für die akustische Ausgabe stellte Microsoft MAI-Voice-2.1 vor, das auf Ausdrucksstärke und Treue optimiert ist, sowie MAI-Voice-2.1-Flash, das auf geringere Latenz und niedrigere Kosten ausgelegt ist. Beide unterstützen 23 Sprachen und kosten im Vercel AI Gateway 22 bzw. 15 US-Dollar pro Million Zeichen.

Diese Komponenten arbeiten mit dem Reasoning-Modell MAI-Thinking-1 zusammen, das den transkribierten Text verarbeitet, um die Aktionen des Agenten zu bestimmen. Dieser modulare Ansatz ermöglicht es Entwicklern, Qualität, Latenz und Betriebskosten eines Sprachagenten über alle drei Schichten hinweg unabhängig zu steuern.

Strategischer Wandel hin zu eigener Infrastruktur

Die Veröffentlichungen spiegeln Microsofts laufende Bemühungen wider, die Abhängigkeit von Frontier-Modellen externer Partner wie OpenAI und Anthropic zu verringern. Medienberichte hoben zuvor Bedenken von Microsoft-AI-Chef Mustafa Suleyman bezüglich der Kosten externer Spitzenmodelle hervor. Dies deutet auf eine schrittweise Migration von Systemen wie Copilot auf die hauseigene MAI-Architektur hin.

Verfügbarkeit und Leistungsgrenzen

MAI-Transcribe-2-Streaming und die neuen Sprachmodelle sind derzeit über das Vercel AI Gateway zugänglich. Microsoft weist darauf hin, dass die angegebenen Transkriptionsgeschwindigkeiten Durchschnittswerte darstellen und nicht in allen Netzwerkumgebungen oder Einsatzszenarien garantiert werden können.

Redaktioneller Hinweis

Dieser Bericht fasst die offiziellen Modellankündigungen und Preisangaben von Microsoft zusammen, ohne dass unabhängige Tests oder Verifizierungen der Benchmark-Behauptungen durchgeführt wurden.

Technische Integration

Entwickler können diese Modelle über Standard-Gateway-Protokolle einbinden, um Echtzeit-Konversationsschleifen aufzubauen, die Spracherkennung, LLM-Reasoning und synthetisierte Sprachausgaben kombinieren.

Marktkontext

Die Erweiterung der MAI-Familie unterstreicht den branchenweiten Trend zu spezialisierter, kostenkontrollierter Sprachinfrastruktur, die gezielt für interaktive Dialoganwendungen entwickelt wird.

Betrieblicher Rahmen

Die neuen Modelle richten sich speziell an Entwickler-Workflows, die eine feingliedrige Kontrolle über Audioeingabegeschwindigkeiten und Sprachgenerierungsparameter erfordern.

KI-generierte redaktionelle Illustration; kein Dokumentarfoto.

Quelle: Microsoft targets ultra-realistic voice agents with its first streaming transcription model