Microsoft Tests “MAI Realtime” Speech Model for More Natural Real-Time Talks
Microsoft arbeitet Berichten zufolge an einem eigenen Echtzeit-Sprachmodell, das bereits in einer frühen Testphase laufen soll. Das System, das intern als „MAI Realtime“ bezeichnet wird, ist vor allem für eine natürlich klingende Sprachausgabe ausgelegt – und könnte damit bei Speech-to-Speech ähnlich aufholen, wie es bei OpenAIs GPT Live 1 oder bei Sesame erwartet wird.
Release-Timing und Verfügbarkeit: bislang nur eingeschränkter Test in MAI Playground
Hinweise aus einem versteckten Early-Access-Eintrag deuten darauf hin, dass „MAI Realtime“ über das „MAI Playground“ aktuell nur einem kleinen Partnerkreis zugänglich gemacht wird. Konkrete öffentliche Starttermine für Nutzer sind nicht genannt.
| Plattform | Status | Zeitrahmen |
|---|---|---|
| MAI Playground | Limitierter Early-Access-Test (begrenzter Zugriff) | Frühe Testphase; kein öffentliches Datum |
Full-Duplex-Ansatz: gleichzeitig zuhören und sprechen
Das Modell soll als bidirektionales Full-Duplex-System ausgelegt sein: Statt wie klassische Sprachassistenten Eingabe und Ausgabe klar nacheinander zu takten, soll es Sprache gleichzeitig empfangen und erzeugen können. Dadurch sollen natürlichere Gespräche möglich werden, einschließlich sauberer Unterbrechungen während einer laufenden Antwort. Laut den verfügbaren Angaben seien die Latenzen bereits jetzt niedrig und Unterbrechungen funktionierten zuverlässig.
Zwei Stimmen zum Start: „Victoria“ und „Grant“
Aktuell sollen zunächst nur zwei Stimmen verfügbar sein: „Victoria“ und „Grant“. Je nach Quelle sollen die Stimmen entweder manuell auswählbar sein oder automatisch genutzt werden. Außerdem wird beschrieben, dass Nutzer innerhalb eines Gesprächs die Stimme wechseln können, ohne dass der Gesprächskontext verloren geht. Ebenfalls genannt wird automatische Sprach-Erkennung sowie die Fähigkeit, bei Bedarf mitten im Gespräch auf eine andere Sprache umzuschalten.
Endpunkterkennung und Debug: zwei Listener-Varianten sowie transparente Statusinfos
Für das Erkennen von Sprecherwechseln bzw. dem Ende einer Äußerung sollen zwei unterschiedliche Listener-Konfigurationen zum Einsatz kommen. Der „Switchboard-Modus“ soll dabei einen „MAI Ears“-Endpointer verwenden, der mit Inline-Control-Tokens arbeitet. Zusätzlich soll es eine deterministische Variante geben, die auf Sprechpausen-basierter Endpunkterkennung beruht und diese mit einem semantischen „Whisper“-Endpointer kombiniert. Die Unterschiede zwischen beiden Ansätzen sollen in der Praxis jedoch eher gering ausfallen.
Außerdem soll „MAI Realtime“ über einen eigenen Debug-Modus verfügen. Dieser soll unter anderem aktuelle Latenzwerte, Modellgedanken und Verarbeitungsschritte anzeigen können. Laut den Hinweisen ist auch das Teilen von Daten vorgesehen, aber derzeit noch nicht freigeschaltet.
Gezielt für Dialoge, nicht für generelle Audioerzeugung
Das Funktionsprofil soll bewusst auf Sprachdialoge ausgerichtet sein. Das Modell soll demnach weder singen noch andere nichtsprachliche Geräusche erzeugen können. Damit wäre „MAI Realtime“ eher nicht als universelles Audio-Generierungswerkzeug gedacht.
Warum das wichtig ist: weniger Abhängigkeit von Drittmodellen und neue Modellstrategie
Mit dem angekündigten Ansatz will Microsoft offenbar eine Lücke in der eigenen Modellpalette gegenüber Wettbewerbern schließen. Die bisher veröffentlichten Sprachmodelle „MAI-Voice-2“ und „MAI-Transcribe-1.5“ setzen unterschiedliche Schwerpunkte: „MAI-Voice-2“ einschließlich Flash-Variante ist ausschließlich für Sprachsynthese gedacht, während „MAI-Transcribe-1.5“ rein auf Spracherkennung fokussiert ist.
Für direkte Speech-to-Speech-Kommunikation muss Microsoft bei der Azure-Speech-Voice-Live-API aktuell weiterhin auf das „GPT-Realtime“-Modell zurückgreifen. Mit einem eigenen Full-Duplex-System könnte diese Abhängigkeit entfallen.
Im Kontext der Unternehmensstrategie wird außerdem erwähnt, dass Microsoft auf der Build 2026 sieben intern entwickelte Modelle vorgestellt habe, die schrittweise OpenAI-Komponenten in eigenen Produkten wie Copilot, Teams und Bing ersetzen sollen.
Offen bleibt, wann und in welchem Umfang „MAI Realtime“ außerhalb des Partner-Tests verfügbar wird, und ob es anschließend direkt in Copilot, Teams oder Bing integriert wird. Ebenso unklar ist, ob die Full-Duplex-Funktionen langfristig auch über Dialog-Szenarien hinaus erweitert werden.
