Microsofts Audiomodelle: Tempo, Preise und Preview-Grenzen
Erste Teiltranskripte sind noch keine fertige Agentenantwort. Für den Einsatz zählen die gesamte Gesprächskette und die Einschränkungen der öffentlichen Vorschau.

Microsoft hat am 1. Oktober 2026 drei Audiomodelle für Transkription und Sprachausgabe vorgestellt. MAI-Transcribe-2-Streaming liefert laut Hersteller erste vorläufige Textfragmente nach rund 120 Millisekunden. Diese Angabe beschreibt nicht die gesamte Antwortzeit eines Sprachagenten. Dazu kommen Verarbeitung durch das Sprachmodell, mögliche Werkzeugaufrufe, Spracherzeugung und Übertragung.
Transkription und Sprachausgabe erfüllen verschiedene Aufgaben
Die Microsoft-Ankündigung nennt 60 Sprachen für Streaming-Transkription. MAI-VoiceErstellen Sie professionelle Audio-Inhalte mit KI.-2.1 und die Flash-Variante erzeugen Sprache in 23 Sprachen mit 26 regionalen Varianten. Alle drei Modelle werden über Foundry angeboten; die beiden Voice-Modelle außerdem über OpenRouterEin Vermittlungsdienst, über den Entwickler auf KI-Modelle verschiedener Hersteller über eine einheitliche Schnittstelle zugreifen..
Microsoft verweist auf einen Spitzenplatz im Streaming-Test von Artificial Analysis. Für eine Beschaffung ist die konkrete Aufgabe wichtiger als eine allgemeine Rangangabe: Dialekte, Hintergrundgeräusche, Fachbegriffe und wechselnde Sprecher sollten mit eigenen Testfällen geprüft werden.
Azure Speech kennzeichnet die Modelle als Public Preview
Die aktuelle Dokumentation für Streaming-Transkription und MAI-Stimmen beschreibt das Angebot in Azure Speech als öffentliche Vorschau. Dafür gilt kein Service-Level-Agreement; Microsoft empfiehlt die Vorschau nicht für Produktionsworkloads.
Ein Entwicklerzugang ist deshalb nicht automatisch die Freigabe für einen geschäftskritischen Dienst. Vor einem produktiven Einsatz sollten Teams Verfügbarkeit, Support, Datenverarbeitung und Ausfallverhalten des konkret gewählten Angebots prüfen.
Die Preise verwenden unterschiedliche Abrechnungseinheiten
Microsoft nennt für Streaming-Transkription einen Einführungspreis von 0,54 US-Dollar je Audiostunde bis Ende 2026. Voice 2.1 kostet 22 US-Dollar je Million Zeichen, Flash 15 US-Dollar je Million Zeichen. Zusätzliche Plattform- und Anwendungskosten müssen gesondert berücksichtigt werden.
Diese Werte lassen sich nicht unmittelbar als Preis eines vollständigen Gesprächs vergleichen. Ein Sprachagent kann zusätzlich ein Sprachmodell, Datenabrufe, Telefonie und weitere Dienste benötigen. Auch Gesprächsdauer und Auslastung verändern die Gesamtrechnung.
Suno verbindet Sprache mit Hintergrundmusik
Suno stellte am 1. Oktober Speech als Beta für alle Nutzer vor. Die Funktion erzeugt gesprochene Inhalte zusammen mit Hintergrundmusik. Das ist ein anderer Einsatzschwerpunkt als die getrennten Bausteine für interaktive Sprachsysteme. Die Ankündigung nennt keinen gesonderten Speech-Tarif.
Ein Pilot sollte die gesamte Gesprächskette messen
Für einen belastbaren Vergleich zählen die Zeit bis zur hörbaren Antwort, die Richtigkeit des endgültigen Transkripts und der Umgang mit Unterbrechungen. Ein schneller erster Textentwurf kann sich später noch ändern.
Ob ein zugekaufter Dienst den Eigenbetrieb ersetzt, hängt von Datenschutz, Integration, Auslastung und Gesamtkosten ab. Als nächster Schritt bietet sich ein begrenzter Test mit typischen Gesprächen, dokumentierten Fehlern und einem klaren Ersatzablauf bei Ausfällen an.
Worüber entscheidet sich künftig der Wettbewerb bei Sprachagenten?
Ergebnisse sehen Sie nach Ihrer Stimme.
Häufige Fragen
Antwortet ein Sprachagent damit nach 120 Millisekunden?
Nein. Die Herstellerangabe bezieht sich auf erste vorläufige Transkriptteile. Sprachmodell, Werkzeugaufrufe, Spracherzeugung und Übertragung kommen hinzu. Für den Nutzer zählt die gemessene Zeit bis zur passenden hörbaren Antwort.
Worin unterscheiden sich Microsofts Audiomodelle von Sunos Speech-Funktion?
Microsoft bietet getrennte Bausteine für Sprache-zu-Text und Text-zu-Sprache. Sunos Speech-Beta erzeugt gesprochene Inhalte zusammen mit Hintergrundmusik. Die Funktionen haben damit unterschiedliche Schwerpunkte und sollten anhand der konkreten Aufgabe verglichen werden.
Was kosten die neuen Modelle und die Suno-Funktion?
Microsoft nennt 0,54 US-Dollar je Audiostunde als Einführungspreis bis Ende 2026. Voice 2.1 kostet 22 US-Dollar, Flash 15 US-Dollar je Million Zeichen. Weitere Plattform- und Anwendungskosten sind gesondert zu prüfen. Sunos Ankündigung nennt keinen eigenen Speech-Tarif.
Welche Sprachen unterstützen die Microsoft-Modelle?
Die Ankündigung nennt 60 Sprachen für die Transkription und 23 Sprachen mit 26 regionalen Varianten für die Voice-Modelle. Für die eigene Anwendung sollten konkrete Sprache, Dialekt, Fachbegriffe und Geräuschbedingungen getestet werden.
Wie lässt sich prüfen, ob die Modelle für einen eigenen Sprachagenten geeignet sind?
Mit typischen Gesprächen, Hintergrundgeräuschen, Unterbrechungen und Fachbegriffen. Zu messen sind die gesamte Antwortzeit, die Qualität des endgültigen Transkripts und alle Kosten. Vor dem Einsatz müssen außerdem Datenverarbeitung, Ausfallabläufe und der Status des konkreten Angebots geklärt sein.
Sind die Microsoft-Modelle in Azure Speech produktionsreif?
Microsoft dokumentiert sie dort als Public Preview ohne SLA und empfiehlt die Vorschau nicht für Produktionsworkloads. Verfügbarkeit in einer Plattform allein ist daher keine Zusage für einen geschäftskritischen Betrieb.
Fügen Sie KI-Amigo in Google als bevorzugte Quelle hinzu, um unsere Artikel häufiger zu sehen.
Weiterlesen
Mehr aus Tools & Modelle →
Gemini 4 Neon schreibt fast doppelt so schnell wie Googles Carbon
Google hat am 18. November 2026 Gemini 4 Neon vorgestellt. Es erreicht im Test die Leistung von Carbon, schreibt fast doppelt so schnell und kostet ab Dezember 2026 pro Token ein Viertel weniger. Warum jetzt der richtige Moment ist, die Modellwahl zu prüfen.

Gemini überarbeitet ganze Präsentationen in Google Slides, zunächst nur auf Englisch
Gemini in Google Slides passt Stil und Inhalte einer ganzen Präsentation mit einer Anweisung an. Die Funktion versteht zum Start nur Englisch. Der Ratgeber zeigt die Schritte, Vorlagen für Anweisungen, die Grenzen und den Vergleich mit Copilot in PowerPoint und Claude in Google Slides.

Gemini 4 Argon ist allgemein verfügbar: Das müssen Unternehmen zu Kosten und Einsatz wissen
Google bietet sein Spitzenmodell Gemini 4 Argon seit 13. Oktober 2026 allgemein an. Nach dem Einführungspreis bis 30. November 2026 kosten Token doppelt so viel. Im unabhängigen Vals Index liegt Argon nicht mehr vorn. Was Unternehmen zu Kosten, Leistung und EU-Betrieb wissen sollten.

Apple KI in Pages, Keynote, Numbers: Externe Agenten erhalten Zugriff auf Dokumente
Apple bringt im November 2026 einen KI-Assistenten als Beta in Pages, Keynote und Numbers, zunächst für Abonnenten von Apple Creator Studio. Über das Model Context Protocol können externe KI-Agenten auf die Programme zugreifen. Wie Nutzer diese Zugriffe steuern, hat Apple noch nicht erklärt.

GPT-6.1 Terra: OpenAI senkt die Kosten für KI-Agenten
OpenAI hat GPT-6.1 Terra für ChatGPT Work, Codex und die API veröffentlicht. Das Modell eignet sich für Hintergrundaufgaben und KI-Agenten, bei denen der Preis pro Token mehr zählt als die maximale Leistung.

Canva Craft veröffentlicht: Neues Bildmodell trennt Planung und Ausführung
Canva veröffentlicht mit Canva Craft ein eigenes KI-Bildmodell. Eine zweistufige Architektur plant das Layout vor dem Rendern und soll gezielte Änderungen ermöglichen.