Microsoft AI bringt neue Modelle für Transkription und Sprachausgabe für Sprachagenten

Microsoft AI hat mit MAI-Transcribe-2-Streaming ein neues Modell für Echtzeit-Transkription veröffentlicht. Laut Microsoft belegt es bei Artificial Analysis in puncto Genauigkeit Platz eins. Das Modell transkribiert 60 Sprachen und liefert erste vorläufige Ergebnisse nach gut 100 Millisekunden. So können Sprachagenten schon während eines Satzes reagieren. Bis Jahresende kostet eine Stunde Audio zum Einführungspreis 0,54 Dollar.

Neu sind auch zwei Sprachausgabemodelle: MAI-Voice-2.1 soll in 23 Sprachen mit derselben Stimme und jeweils muttersprachlichem Akzent sprechen. Die Variante MAI-Voice-2.1-Flash erreicht laut Microsoft eine Latenz von 150 Millisekunden und kostet 15 statt 22 Dollar pro Million Zeichen.

Beide Modelle können Stimmen aus wenigen Sekunden Referenzaudio klonen, eingebaute Schutzmechanismen sollen dabei Missbrauch verhindern. Erhältlich sind die Modelle unter anderem über Microsoft Foundry und den MAI Playground, die beiden Voice-Modelle auch über OpenRouter. In einem Test hielten etwa die Hälfte der 4.000 Teilnehmer die Stimmen für einen Menschen.