Microsoft bringt Sprach-KI MAI Realtime 1 für einen Cent pro Minute

Microsoft stellt mit MAI Realtime 1 sein erstes Speech-to-Speech-Modell vor: Es soll Gespräche führen, sich unterbrechen lassen und nebenbei Aufgaben in Firmensoftware erledigen. Die Grundnutzung kostet ab 0,01 US-Dollar pro Audiominute. Das Modell ist eines von sieben neuen Microsoft-Modellen.

Modell-Releases 18. Nov. 2026 6 Min. Lesezeit Quelle: Bing News (en-US)
Symbolbild, KI-generiert

Worum es geht

Microsoft hat mit MAI Realtime 1 sein erstes eigenes Speech-to-Speech-Modell vorgestellt. Gemeint ist eine KI, die gesprochene Sprache hört und direkt mit gesprochener Sprache antwortet. Das Modell ist für natürliche Gespräche in Echtzeit gebaut, etwa für Sprachassistenten im Kundenservice, automatische Telefonzentralen oder digitale Empfangskräfte. Der Einstiegspreis liegt bei 0,01 US-Dollar pro Audiominute.

MAI Realtime 1 kam laut dem Bericht von Lapaas Voice zusammen mit sechs weiteren Modellen heraus. Sie decken Programmierung, IT-Sicherheit, Bilderzeugung, Transkription und die automatische Auswahl von Modellen ab. Zunächst gibt es das Modell nur über Microsofts MAI Labs und eine begrenzte Vorschau in Microsoft Foundry, Microsofts Plattform für KI-Entwickler. Vorschau-Kunden zahlen nach Microsofts Angaben erst, wenn die öffentliche Preview beginnt.

Was MAI Realtime 1 können soll

Klassische Sprachassistenten arbeiten oft in drei getrennten Schritten. Zuerst wird Sprache in Text umgewandelt, dann verarbeitet ein Sprachmodell den Text, und am Ende liest eine synthetische Stimme die Antwort vor. Jeder Schritt kostet Zeit, und das Gespräch wirkt abgehackt wie ein Funkgerät. MAI Realtime 1 soll diese Schritte zu einem fließenden Ablauf verbinden. Microsoft nennt fünf Kernfähigkeiten:

  • Natürliches Gespräch: Das Modell kommt mit Unterbrechungen und kurzen Einwürfen wie „mhm“ zurecht und soll erkennen, wann jemand fertig gesprochen hat. Nutzer müssen also nicht auf starre Sprecherwechsel warten.
  • Anpassungsfähige Intelligenz: Einfache Anfragen beantwortet es schnell. Bei komplexen Aufgaben greift es auf tieferes Reasoning zurück, also schrittweises Nachdenken vor der Antwort.
  • Audioverständnis: Es soll Sprache auch bei Hintergrundlärm oder mehreren Stimmen verstehen.
  • Echte Aktionen: Über angebundene Unternehmenssysteme soll das Modell Aufgaben erledigen und nicht nur Fragen beantworten, zum Beispiel einen Termin buchen.
  • Anpassbares Verhalten: Entwickler können Ton, Stil und Persönlichkeit der Stimme einstellen.

Preise: billig im Grundtarif, Reasoning kostet extra

Am auffälligsten ist der Preis. Die reine Sprachverarbeitung ist günstig, das Nachdenken wird aber getrennt abgerechnet, und zwar nach Tokens, also den kleinen Textbausteinen, in denen Sprachmodelle rechnen.

Preisbestandteil Kosten
Speech-to-Speech-Grundnutzung 0,01 US-Dollar pro Audiominute
Reasoning-Eingabe 1 US-Dollar pro Million Tokens
Reasoning-Ausgabe 5 US-Dollar pro Million Tokens

Ein Rechenbeispiel aus dem Bericht: Ein Sprachsystem mit 10.000 Gesprächsminuten kostet in der Grundnutzung etwa 100 US-Dollar, das Reasoning kommt noch dazu. Wie teuer ein Einsatz am Ende wirklich wird, hängt also stark davon ab, wie oft und wie viel das Modell nachdenken muss.

Der Vergleich mit OpenAI und der einfache Umstieg

Microsoft behauptet, MAI Realtime 1 schlage OpenAIs GPT Realtime 2.1 bei Qualität, Geschwindigkeit und Preis. Grundlage sind öffentliche Benchmarks, also standardisierte Testreihen. Big Bench Audio prüft logisches Denken bei gesprochenen Aufgaben, Tau-Voice prüft, wie gut ein Sprachagent mehrstufige Aufgaben erledigt. Dazu kommen interne Tests aus dem Kundenservice-Produkt Dynamics 365 Contact Center. Microsoft sieht sein Modell an der „Preis-Leistungs-Grenze“: Für den Preis soll es kein besseres Modell geben. Unabhängige Tests gibt es dazu noch nicht. Auch der Bericht weist darauf hin, dass die Vergleiche auf Microsofts eigenen Testaufbauten beruhen.

Strategisch wichtig ist die Kompatibilität mit der OpenAI Realtime API. Eine API ist die Programmierschnittstelle, über die Apps ein Modell ansprechen. Wer schon eine Sprach-App für OpenAIs Schnittstelle gebaut hat, kann Microsofts Modell testen, ohne alles neu zu bauen. Das macht es für Unternehmen leichter, den Anbieter zu wechseln.

Erste Kunden und Einsatz in Microsoft-Produkten

Microsoft richtet das Modell vor allem an Unternehmen. Laut Microsoft testen es schon das Reiseportal Agoda und Reservations.ai. Außerdem soll MAI Realtime 1 in eigene Produkte kommen:

  • Dynamics 365 Contact Center: Sprachagenten beantworten Kundenanfragen, geben Auskünfte und übernehmen wiederkehrende Service-Gespräche.
  • Dragon Copilot: In Microsofts Gesundheitsprodukt spielt das Modell Patienten, damit Pflegekräfte klinische Gespräche üben können.

Die sechs weiteren Modelle

MAI Realtime 1 ist nur ein Teil der Ankündigung. Microsoft setzt auf spezialisierte Modelle für einzelne Aufgaben statt auf ein Universalmodell für alles:

Modell Zweck
MAI Code 2 Anspruchsvolle Programmier- und Softwareaufgaben
MAI Code 2 Flash Schnellere, günstigere Programmieraufgaben
MAI Cyber 2 Flash IT-Sicherheit und Bedrohungsanalyse
MAI Image 2.7 Bilderzeugung und -bearbeitung
MAI Realtime 1 Sprachgespräche in Echtzeit
MAI Transcribe 2 Mehrsprachige Transkription
Decision 1.1 Routing, also die Entscheidung, welches Modell eine Anfrage bearbeitet

Zu den anderen sechs Modellen nennt die Hauptquelle keine Benchmarks oder Preise.

Vorgeschichte: Microsofts Sprach-Baukasten

Das neue Modell kommt nicht aus dem Nichts. Microsoft hat schon 2025 mit MAI-Voice-1 und MAI-1 Preview angefangen, eigene Modelle zu entwickeln. Ziel ist, weniger von OpenAIs GPT-Modellen abhängig zu sein. Im Herbst 2026 folgten mehrere Audio-Modelle, über die unite.ai und Tech Times berichtet haben:

  • Am 3. September erschien MAI-Transcribe-2, ein Batch-Transkriptionsmodell. Es verarbeitet fertige Audiodateien und kostet zum Einführungspreis 0,10 US-Dollar pro Audiostunde.
  • Am 1. Oktober kam MAI-Transcribe-2-Streaming dazu. Es schreibt Sprache schon mit, während jemand spricht, in 60 Sprachen und mit automatischer Spracherkennung. Erste vorläufige Ergebnisse, sogenannte Partials, liefert es laut Microsoft nach gut 100 Millisekunden. Die Wortfehlerrate soll bei 2,5 Prozent liegen. Der Einführungspreis beträgt 0,54 US-Dollar pro Stunde.
  • Gleichzeitig erschienen die Sprachausgabe-Modelle MAI-Voice-2.1 für 22 US-Dollar pro Million Zeichen und MAI-Voice-2.1-Flash für 15 US-Dollar pro Million Zeichen. Sie unterstützen 23 Sprachen, Voice-Cloning aus wenigen Sekunden Referenzaudio und eine Stimme, die über Sprachgrenzen hinweg gleich klingt.

Tech Times hat damals ausgerechnet, dass ein Sprachagent aus diesen Bausteinen eine Gesprächsrunde in deutlich unter einer Sekunde schaffen kann: etwa 130 Millisekunden zum Hören, rund 350 zum Nachdenken und 150 bis zum Beginn der Sprachausgabe. Das Magazin war aber skeptisch. Microsofts Platz eins im Streaming-Ranking von Artificial Analysis war beim Schreiben des Artikels noch nicht unabhängig bestätigt. Auf der öffentlichen Rangliste lag noch Grok Voice Transcribe 2.0 vorn. Tech Times erinnerte außerdem daran, dass Wortfehlerraten aus Benchmarks im echten Einsatz oft deutlich schlechter ausfallen. Alle diese Modelle waren zudem als Public Preview ohne Service-Level-Agreement gekennzeichnet, also ohne vertraglich zugesicherte Verfügbarkeit. MAI Realtime 1 wirkt wie der nächste Schritt: Statt drei Bausteine hintereinanderzuschalten, erledigt ein einziges Modell den ganzen Ablauf.

Einordnung

Mit MAI Realtime 1 tritt Microsoft direkt gegen OpenAIs Realtime-Modelle an, obwohl OpenAI lange sein engster KI-Partner war. Die kompatible Schnittstelle ist dabei eine klare Ansage: Microsoft will OpenAI-Kunden möglichst einfach zum Wechsel bewegen. Ein Grundpreis von einem Cent pro Minute ist für Callcenter mit tausenden Gesprächen am Tag interessant. Die Gesamtkosten hängen aber vom Reasoning ab, das extra berechnet wird. Ein direkter Kostenvergleich mit OpenAI ist deshalb schwierig.

Vieles ist noch offen. Alle Leistungsvergleiche stammen von Microsoft selbst, und unabhängige Messungen zu Qualität, Latenz und Fehlerquote fehlen. Unklar ist auch, welche Sprachen MAI Realtime 1 beherrscht und wie gut es Deutsch kann. Die Quelle sagt dazu nichts. Für Privatnutzer ist das Modell vorerst kaum zugänglich: Es gibt nur MAI Labs und eine begrenzte Entwickler-Vorschau. Die Gewichte sind nicht frei verfügbar, das Modell läuft ausschließlich in Microsofts Cloud. Spannend ist es vor allem für Firmen, die Sprachagenten im großen Stil betreiben wollen, und als Zeichen, dass Microsoft im KI-Wettbewerb zunehmend eigene Wege geht.

Quellen

#microsoft#sprach-ki#voice-agents#openai#kundenservice
Originalquelle lesen

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

  1. Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.