Tests bei Microsoft ge­star­tet: MAI ermöglicht natürli­chere Echtzeit-Gesprä­che als Co­pilot

Microsoft soll an seinem ersten eigenen Echtzeit-Sprachmodell arbeiten, das sich bereits in einer frühen Testphase befinden soll. Das derzeit als „MAI Realtime“ bezeichnete KI-Modell soll vor allem mit einer natürlich klingenden Sprachausgabe punkten. Damit könnte Microsoft zu OpenAIs GPT Live 1 oder Sesame aufschließen.

Neue Einträge deuten auf ein neues Modell in einer frühen Testphase hin

Das bislang nicht offiziell angekündigte Modell will Testing Catalog als versteckten Early-Access-Eintrag in Microsofts MAI Playground entdeckt haben. Die verfügbaren Informationen deuten darauf hin, dass es sich dabei um ein bidirektionales Full-Duplex-System handelt, das gleichzeitig zuhören und sprechen kann.

Das System befindet sich noch in einer sehr frühen Testphase und ist daher lediglich einem kleinen Kreis von Partnern zur Verfügung gestellt worden. Anders als bei klassischen Sprachassistenten, bei denen sich Eingabe und Ausgabe klar abwechseln, soll das Modell Sprache gleichzeitig empfangen und erzeugen können. Dadurch wären natürlichere Gespräche und schnelle Unterbrechungen während einer laufenden Antwort möglich. Bereits jetzt seien die Latenzen gering und die Unterbrechungen sauber.

Victoria und Grant stehen bereit

Aktuell sollen allerdings zunächst nur zwei Stimmen zur Verfügung stehen – Victoria und Grant, die entweder ausdrücklich ausgewählt oder je nach Quelle automatisch genutzt werden. Darüber hinaus sollen Anwender die Stimmen während eines Gesprächs wechseln können, ohne dass der jeweilige Kontext verloren geht. Die Qualität der Ausgabe soll sich bereits jetzt auf einem hohen Niveau befinden und deutlich natürlichere Konversationen als die derzeitige Sprachausgabe des Voice-Modus von Copilot ermöglichen.

Für die Erkennung des Sprecherwechsels beziehungsweise des Endes einer Äußerung bietet Microsoft offenbar zwei unterschiedliche Listener-Konfigurationen. So soll der „Switchboard-Modus“ einen MAI-Ears-Endpointer nutzen, der mit Inline-Control-Tokens arbeitet. Ebenso soll eine deterministische Variante existieren, die eine auf Sprechpausen basierende Endpunkterkennung mit einem semantischen Whisper-Endpointer kombiniert. In der Praxis sollen die Unterschiede zwischen beiden Verfahren allerdings gering ausfallen. Der Funktionsumfang soll bewusst vorrangig auf Sprachdialoge ausgerichtet sein, sodass das Sprachmodell weder singen noch andere nichtsprachliche Geräusche erzeugen können soll. MAI Realtime würde sich somit nicht für die allgemeine Audiogenerierung eignen.

Das System soll zudem über einen eigenen Debug-Modus verfügen, mit dem unter anderem aktuelle Latenzwerte, Modellgedanken und Verarbeitungsschritte dargestellt werden können. Auch das Teilen der Daten soll laut Testing Catalog vorgesehen sein, ist derzeit aber noch nicht freigeschaltet.

Microsoft führt seine Strategie fort

Mit dem neuen System scheint Microsoft die bislang noch offene strategische Lücke in der eigenen Modellpalette gegenüber seinen Mitbewerbern schließen zu wollen. Die bisher veröffentlichten Sprachmodelle MAI-Voice-2 und MAI-Transcribe-1.5 setzen deutlich andere Schwerpunkte: Ersteres ist zusammen mit der dazugehörigen Flash-Variante ausschließlich für die Sprachsynthese zuständig, während Letzteres rein für die Spracherkennung eingesetzt wird.

Für direkte Speech-to-Speech-Kommunikation muss Microsoft bei der Voice Live API von Azure Speech hingegen aktuell weiterhin auf das GPT-Realtime-Modell zurückgreifen. Mit einem eigenen Full-Duplex-Modell könnte der Konzern diese Abhängigkeit allerdings beseitigen. Auf der Hausmesse Build 2026 hatte Microsoft sieben intern entwickelte Modelle vorgestellt, die schrittweise OpenAI-Komponenten in eigenen Produkten wie Copilot, Teams und Bing ersetzen sollen.