Microsoft erweitert seine eigene KI-Modellfamilie um neue Systeme für Echtzeit-Transkription und Sprachausgabe. Im Mittelpunkt stehen geringe Latenz und flüssigere Gespräche mit Sprachagenten.
Quelle:
https://microsoft.ai/news/our-first-streaming-transcription-model/
🔎 Was ist neu?
Mit MAI-Transcribe-2-Streaming stellt Microsoft erstmals ein eigenes Transkriptionsmodell vor, das Sprache fortlaufend während des Sprechens verarbeitet. Es unterstützt 60 Sprachen und erkennt automatisch, welche Sprache gerade gesprochen wird.
Erste vorläufige Wörter erscheinen laut Microsoft bereits nach etwas mehr als 100 Millisekunden. Während weiterer Kontext hinzukommt, kann das Modell diese Zwischenresultate noch korrigieren und anschließend stabilisieren.
Dazu kommen MAI-Voice-2.1 und die schnellere Variante MAI-Voice-2.1-Flash für die Sprachausgabe. Sie unterstützen 23 Sprachen. Eine Stimme kann dabei zwischen mehreren Sprachen wechseln, ohne ihre grundlegende Stimmidentität zu verlieren.
⚡ Warum ist die Geschwindigkeit wichtig?
Bei einem Sprachagenten zählt nicht nur die Qualität der Antwort. Das System muss Sprache erkennen, den Inhalt verarbeiten, gegebenenfalls Werkzeuge aufrufen und anschließend wieder sprechen – ohne lange künstliche Pausen.
Microsoft kombiniert deshalb schnelle Transkription und schnelle Sprachausgabe. Die Flash-Version soll besonders für Anwendungen mit vielen Anfragen und sehr niedriger gewünschter Latenz geeignet sein.
⚖️ Der Realitätscheck
Die Angaben zu Geschwindigkeit und Qualität stammen zum Teil aus Microsofts eigenen Messungen. Beim unabhängigen Vergleichsdienst Artificial Analysis belegt MAI-Transcribe-2-Streaming laut Microsoft derzeit allerdings ebenfalls Spitzenpositionen bei der Genauigkeit von vollständigen und vorläufigen Transkriptionen.
Entscheidend für Nutzer wird letztlich sein, wie gut solche Modelle unter realen Bedingungen mit Akzenten, Hintergrundgeräuschen, Unterbrechungen und wechselnden Gesprächssituationen umgehen.
💡 Warum ist das interessant?
Sprach-KI entwickelt sich zunehmend von der klassischen Abfolge „sprechen – warten – Antwort erhalten“ hin zu Systemen, die schon während eines Satzes zuhören, verarbeiten und Aktionen vorbereiten können.
Damit rückt eine Form der Sprachinteraktion näher, die sich technisch immer weniger wie das Bedienen einer Software und immer mehr wie ein laufendes Gespräch anfühlt.