Was Microsoft angekündigt hat
Die Sparte Microsoft AI veröffentlichte am 1. Oktober in ihrem Tech-Community-Blog drei Modelle der MAI-Familie:
- MAI-Transcribe-2-Streaming: wandelt Sprache in Text um, während das Audio eintrifft, in 60 Sprachen und mit automatischer Spracherkennung. Es liefert innerhalb weniger hundert Millisekunden eine erste Textfassung und korrigiert sie, bis die Transkription feststeht, sobald die Person aufhört zu sprechen. Es ist Microsofts erstes Streaming-Transkriptionsmodell.
- MAI-Voice-2.1: ein Text-to-Speech-Modell, das Microsoft als das ausdrucksstärkste beschreibt, das es je entwickelt hat, in 23 Sprachen, für Fälle, in denen die Stimmqualität im Vordergrund steht.
- MAI-Voice-2.1-Flash: eine Version, die auf schnelle Antworten und große Volumen optimiert ist, mit denselben Sprachen.
Naomi Moneypenny, Direktorin für Produktentwicklung bei Microsoft Foundry Models, erklärte, dass die Modelle zusammen Entwicklern mehr Möglichkeiten geben, natürliche Sprachanwendungen zu bauen, und dass die Transkription während des Sprechens wichtig ist, wenn eine Anwendung in genau diesem Moment handeln muss. Zu den genannten Einsatzfeldern gehören Kundenservice-Agenten, mehrsprachige Assistenten und Live-Untertitel.
Geschwindigkeit, Preise und Verfügbarkeit
Laut Unite.AI versichert Microsoft, dass sein Transkriptionsmodell in der Streaming-Transkriptionsrangliste von Artificial Analysis bei der Genauigkeit auf Platz eins liegt und dass das Flash-Modell Audio mit einer Latenz von etwa 150 Millisekunden erzeugt. SiliconANGLE wiederum berichtet von durchschnittlich etwa 320 Millisekunden bis zur ersten Texthypothese und stellt klar, dass Microsoft diesen Wert nicht in allen Szenarien garantiert, weil auch das Netzwerk und das Modell, das die Antwort erzeugt, Zeit hinzufügen. Es handelt sich um Herstellerangaben, nicht um unabhängige Tests.
Die veröffentlichten Preise lauten:
- MAI-Transcribe-2-Streaming: 0,54 US-Dollar pro Stunde Audio, Einführungspreis bis Ende 2026.
- MAI-Voice-2.1: 22 US-Dollar pro Million Zeichen.
- MAI-Voice-2.1-Flash: 15 US-Dollar pro Million Zeichen.
Alle drei Modelle sind in Microsoft Foundry, MAI Playground, Vercel und Azure Voice Live verfügbar; die Sprachmodelle zusätzlich bei OpenRouter. Laut Microsoft können beide Sprachmodelle eine Stimme anhand weniger Sekunden Audio klonen, mit integrierten Einwilligungskontrollen.
Warum das wichtig ist: das Rennen um den Sprachagenten, der niemanden warten lässt
Ein KI-Sprachagent funktioniert wie eine Kette aus drei Schritten: zuhören (Sprache in Text umwandeln), denken (ein Sprachmodell entscheidet, was geantwortet wird) und sprechen (die Antwort in Sprache umwandeln). Jeder Schritt verursacht Verzögerung, und bei einem Telefonat reichen wenige Sekunden Stille, damit der Kunde das Gefühl hat, mit einer ungeschickten Maschine zu sprechen. Unite.AI fasst Microsofts Strategie als „an beiden Enden“ des Zyklus „Zeit zurückgewinnen“ zusammen: transkribieren, bevor die Person fertig ist, und mit einer schnellen Stimme antworten.
SiliconANGLE weist darauf hin, dass Entwickler durch die Trennung der Modelle für Zuhören, Denken und Sprechen Qualität, Verzögerung und Kosten getrennt steuern können. Mit dieser Ankündigung konkurriert Microsoft direkter mit spezialisierten Sprach- und Agentenplattform-Anbietern im Geschäft mit automatisiertem Telefonservice, der zu einem der sichtbarsten Einsatzfelder generativer KI in Unternehmen geworden ist.
Was das für Unternehmen in Kolumbien und Lateinamerika bedeutet
Der Einstieg von Giganten wie Microsoft in die Echtzeit-Sprachverarbeitung hat praktische Folgen für jedes Unternehmen, das Kunden am Telefon betreut:
- Mehr Wettbewerb, bessere Preise. Wenn die Großen Preise pro Stunde Audio oder pro Million Zeichen veröffentlichen, sinken die Kosten für automatisierte Anrufe tendenziell für alle.
- Natürlichere Gespräche. Weniger Verzögerung bedeutet weniger unangenehme Pausen und weniger Kunden, die auflegen, bevor sie bedient werden.
- Prüfen Sie Sprache und Akzent. Die herangezogenen Quellen nennen 60 Sprachen für die Transkription und 23 für die Sprachausgabe, gehen aber nicht auf die Leistung im kolumbianischen Spanisch ein. Testen Sie eine Engine mit echten Anrufen Ihrer Kunden, bevor Sie sich entscheiden.
- Das Modell ist nicht die ganze Lösung. Um einen Anruf anzunehmen, braucht es die Rufnummer, die Telefonanlage, Regeln für die Weiterleitung an einen menschlichen Berater, die Anbindung an Ihr CRM und die Aufzeichnung mit Hinweis an den Kunden.
- Gehen Sie sorgsam mit geklonten Stimmen um. Dass ein Werkzeug das Klonen von Stimmen erlaubt, heißt nicht, dass man es ohne Genehmigung tun darf; Transparenz gegenüber dem Kunden bleibt entscheidend.
Bei 19 80 TIC Cloud integrieren wir KI-Sprachagenten in Ihre Cloud-Telefonanlage und Ihr Callcenter, damit die Sprachtechnologie Ihrer Wahl über Ihre eigenen Geschäftsnummern antwortet.
