Microsoft veröffentlicht drei KI-Modelle „sehen, hören, sprechen“ und zielt auf Workflows für Unternehmen auf kommerziellem Niveau ab

Nachdem Microsoft am 18. März das Bildgenerierungsmodell MAI-Image-2 veröffentlicht hatte, stellte es am 2. April erneut zwei sprachbezogene Modelle bereit: MAI-Transcribe-1 und MAI-Voice-1. In kurzer Zeit wurden nacheinander die Bild- und Audiofähigkeiten ergänzt, was als wichtiger Fortschritt für seine Multi-Modalitäts-KI-Strategie angesehen wird. Diese drei Modelle sind keine vereinzelten Aktualisierungen, sondern ein vollständiges Puzzle von der visuellen Generierung über das Sprachverstehen bis zur Sprach-Ausgabe. Das zeigt, dass Microsoft versucht, eine grundlegende KI-Fähigkeit zu schaffen, die sich direkt in die Arbeitsabläufe von Unternehmen integrieren lässt.

Microsoft MAI-Image-2 zielt auf kommerzielle Bildgenerierung

Das am 18. März zuerst veröffentlichte MAI-Image-2 legt eindeutig den Schwerpunkt auf „für den kommerziellen Einsatz“ statt auf bloße kreative Generierung. Im Vergleich zu früheren Bildmodellen, die eher auf Unterhaltung oder experimentellen Charakter ausgerichtet waren, betont MAI-Image-2 stärker die Stabilität der Ausgabe und die semantische Genauigkeit. Es kann bei komplexen Befehlen eine konsistente Komposition und vollständige Details beibehalten. Dadurch eignet es sich besser für Szenarien wie Markenmarketing-Materialien, Produktvisuals und Werbedesign.

Für Unternehmen liegt der Wert solcher Modelle nicht darin, ob sie beeindruckende Bilder erzeugen können, sondern darin, ob sie kontinuierlich „nutzbaren und kontrollierbaren“ Output liefern. Genau das ist der Kern, den MAI-Image-2 stärkt.

Clipto bringt’s aber! Microsoft stellt das Meeting-Transkript-Modell MAI-Transcribe-1 bereit

Unmittelbar danach wurde am 2. April MAI-Transcribe-1 eingeführt, mit Fokus auf die Sprachverständnis-Fähigkeit. Die Ausrichtung dieses Modells ist sehr klar: Es handelt sich um die Basisschicht-Technologie, um Sprache in strukturierte Textdaten umzuwandeln. Es kann Eingaben von Sprache in Echtzeit verarbeiten und gleichzeitig in mehrsprachigen sowie in Situationen mit unterschiedlichen Akzenten eine hohe Erkennungsgenauigkeit aufrechterhalten. Zudem verfügt es über eine gewisse Widerstandsfähigkeit gegenüber Hintergrundrauschen.

Solche Fähigkeiten sind in Unternehmensszenarien besonders entscheidend. Ob es um Meeting-Transkripte, Aufzeichnungen von Kundendienst-Gesprächen oder die Aufbereitung von Medieninhalten geht—sie sind auf eine stabile Sprach-zu-Text-Qualität angewiesen. Sobald Sprachdaten präzise in Text umgewandelt werden können, lassen sich die nachfolgenden Schritte wie Suche, Zusammenfassung und Analyse vollständig automatisieren. Das ist auch die Schlüsselrolle von MAI-Transcribe-1 innerhalb der gesamten KI-Architektur.

Mit dem MAI-Voice-1-Modell für Kundendienst, Podcast-Audio

Das dazu passende MAI-Voice-1 übernimmt den Ausgabebereich der Sprache. Der Schwerpunkt dieses Modells liegt darauf, dass die von der KI generierte Stimme näher an einer menschlichen Darbietung liegt—einschließlich Natürlichkeit von Tonlage, Rhythmus und Emotion. Dadurch kann es in Szenarien wie Kundendienst-Sprachassistenten, KI-Assistenten, Voice-over für Videos sowie bei der Podcast-Produktion eingesetzt werden. Im Vergleich zu früher eher mechanischer Synthetisierung betont MAI-Voice-1 stärker anpassbare Tonfall- und Stiloptionen. So ist die Stimme nicht mehr nur ein Werkzeug zur Informationsübermittlung, sondern eine Schnittstelle für Kommunikation und Ausdruck.

Gesamtübersicht: Microsofts drei KI-Modelle „sehen, hören, sprechen“

Wenn man beide in demselben Kontext betrachtet, erkennt man, dass Microsofts Vorhaben nicht auf einen einzelnen Durchbruch setzt, sondern sich schnell in Richtung einer Multi-Modalitäts-Integration entwickelt. MAI-Image-2 verarbeitet die visuelle Generierung, MAI-Transcribe-1 ist für das Sprachverständnis zuständig, und MAI-Voice-1 vervollständigt die Sprachgenerierung. Zusammen bilden sie die grundlegende Fähigkeitenstruktur von „sehen, hören, sprechen“.

Sobald diese Fähigkeiten mit bestehenden Sprachmodellen und Cloud-Diensten kombiniert werden, kann daraus ein vollständiger KI-Arbeitsablauf entstehen: von der Dateneingabe über das Verstehen und Generieren bis hin zur Ausgabe—alles innerhalb desselben Systems.

Eigenschaften

MAI-Transcribe-1

(Sprach-zu-Text)

MAI-Voice-1 (Text-zu-Sprache) MAI-Image-2 (Textgenerierung in Bilder) Hauptfunktionen

Wandelt Sprache in Transkripte um

Generiert natürliche, flüssige und emotionale Sprache

Erzeugt Bilder basierend auf Textbeschreibungen

Veröffentlichungsdatum

2. April 2026

3. April 2026

4. März 2026

Schlüsseltechnologien und -eigenschaften

Hohe Geräuschresistenz, automatisches Sprach-Erkennen

Emotionssteuerung, Voice-Copying (Voice Prompting)

Diffusionsmodell-Architektur (Diffusion-based), hohe Realitätsnähe

Unterstützte Sprachen

Englisch, Chinesisch, Spanisch usw. 25 Sprachen

Derzeit nur Englisch (wird voraussichtlich auf 10+ Sprachen erweitert)

Primär Texteingabe (keine besondere Kennzeichnung für Unterstützung mehrerer Landessprachen)

Preisgestaltung

Pro Stunde Audio $0.36 USD

Pro 1 Mio. Zeichen $22.00 USD

Abhängig von der bereitgestellten Plattform (z. B. MAI Playground)

Eingabe-/Ausgabe-Beschränkungen

Eingabe: WAV, MP3, FLAC

Eingabe: Nur Text oder SSML

Ausgabe: Maximal 1024×1024 Pixel

Dieser Artikel Microsoft veröffentlicht drei KI-Modelle „sehen, hören, sprechen“, ausgerichtet auf Business-Grade-KI-Unternehmens-Workflows Erstmals erschienen in Kettennews ABMedia.