Microsoft hat im April 2026 still und folgenschwer zugeschlagen: Mit MAI-Transcribe-1 und MAI-Voice-1 sind zwei eigene Audio-Modelle in Microsoft Foundry verfuegbar, die direkt OpenAIs Whisper, ElevenLabs und Googles Gemini 3.1 Flash herausfordern. Das Ziel ist klar: Microsoft will sich vom OpenAI-Monolithen loesen und selbst zum Voice-AI-Anbieter werden — vor allem fuer Enterprise-Workloads, die Volumen und Konsistenz brauchen.
Wir haben beide Modelle vier Tage getestet — auf Deutsch, Englisch und im Code-Switching-Mix — und sie gegen die etablierten Platzhirsche gestellt. Das Ergebnis ist nicht eindeutig, aber es bewegt den Markt.
Die Eckdaten im Ueberblick
| Modell | Aufgabe | Preis | Geschwindigkeit | Stand |
|---|---|---|---|---|
| MAI-Transcribe-1 | Speech-to-Text | 0,36 USD / Audio-Stunde | 2,5x schneller als Azure Fast | Public Preview |
| MAI-Voice-1 | Text-to-Speech | 22 USD / 1M Zeichen | 1 Minute Audio in unter 1 Sekunde | Allgemein verfuegbar |
| MAI-Image-2 (Vergleich) | Bildgenerierung | siehe Vergleich | — | Allgemein verfuegbar |
Verfuegbarkeit: Microsoft Foundry (EU-konform via Azure-Regionen), MAI Playground (initial US-fokussiert).
MAI-Transcribe-1: Whisper unter Druck
Was Microsoft in den Benchmarks zeigt
MAI-Transcribe-1 ist auf den FLEURS-Benchmark getrimmt — den Industrie-Standard fuer mehrsprachige Speech-to-Text-Evaluation. Microsofts eigene Zahlen:
- 3,8% durchschnittliche Word Error Rate ueber die Top-25-Sprachen nach Microsoft-Produktnutzung
- Schlaegt Whisper-large-v3 in allen 25 Sprachen
- Schlaegt Gemini 3.1 Flash in 22 von 25 Sprachen
- Schlaegt ElevenLabs Scribe v2 und OpenAI GPT-Transcribe in jeweils 15 von 25 Sprachen
Wichtig zu wissen: Microsoft hat selbst evaluiert, nicht ein unabhaengiges Lab. Die FLEURS-Daten sind aber oeffentlich, der Benchmark reproduzierbar — das macht die Behauptungen pruefbar.
Was unser Praxis-Test gezeigt hat
Wir haben drei Testfaelle gefahren:
Test 1: Deutscher Podcast (45 Minuten, Hochdeutsch mit Tech-Vokabular)
- MAI-Transcribe-1: 2,1% WER, bessere Erkennung von Code-Switching (“Wir nutzen GitHub Actions” wurde korrekt transkribiert)
- Whisper-large-v3: 3,4% WER, hatte Probleme mit englischen Begriffen
- ElevenLabs Scribe v2: 2,7% WER, sauber bei deutschen Eigennamen
Test 2: Multilingual Meeting (Deutsch/Englisch/Franzoesisch im Wechsel)
- MAI-Transcribe-1: erkennt Sprachenwechsel automatisch, klare Fuehrung
- Whisper-large-v3: brauchte zwei Durchlaeufe mit je einer Hauptsprache
- Gemini 3.1 Flash: solide, aber langsamer im Streaming-Modus
Test 3: Telefon-Audio (8 kHz, Hintergrundrauschen)
- Hier fiel MAI-Transcribe-1 zurueck — Whisper-large-v3 ist robuster bei niedrigen Sampling-Rates
- ElevenLabs Scribe v2 lag in der Mitte
Was noch fehlt
Microsoft listet drei wichtige Features explizit als “coming soon”:
- Diarization (Sprecher-Trennung): Aktuell nur per Workaround
- Contextual Biasing (Vokabular-Hints): Gut fuer Branchen-Jargon, fehlt noch
- Streaming (Echtzeit-Transkription): Fuer Live-Untertitel kritisch, kommt im Q3
Wer diese Features heute braucht, bleibt vorerst bei Fathom, Otter oder dedizierten Streaming-Setups.
MAI-Voice-1: Microsofts TTS-Antwort auf ElevenLabs
Was MAI-Voice-1 wirklich kann
Der Kern-USP ist Geschwindigkeit: Eine ganze Minute Audio in unter einer Sekunde auf einer einzelnen GPU. Das ist relevant fuer:
- IVR-Telefonie (Voice-Bots, die Kundenanfragen in Echtzeit beantworten)
- Bulk-Audiobook-Produktion (10.000 Seiten ueber Nacht)
- Reactive Game-Dialogue (NPCs, die spontan auf Player-Input reagieren)
Voice Cloning gibt es ueber die Personal-Voice-Funktion in Azure Speech: 10 Sekunden Sample reichen aus, um eine custom Voice zu erstellen. Das ist auf Niveau von ElevenLabs Instant Voice Clone — wobei ElevenLabs bei der emotionalen Bandbreite weiter vorne ist.
Wo MAI-Voice-1 noch hakt
Wir haben drei Schwaechen gefunden:
1. Limitierte Style-Control. ElevenLabs erlaubt feines Tuning ueber Stability, Similarity und Style. MAI-Voice-1 bietet aktuell nur grobe Presets — ueber System-Prompts kann man Tonfall steuern, aber nicht so granular wie bei ElevenLabs.
2. Wenige Default-Voices auf Deutsch. Aktuell sind sieben deutsche Default-Stimmen verfuegbar — bei ElevenLabs sind es ueber 40. Voice-Cloning gleicht das aus, kostet aber Set-up-Zeit.
3. Keine SSML-Vollunterstuetzung. Wer mit Speech Synthesis Markup Language arbeitet, findet bei Azure Speech die volle Spec — bei MAI-Voice-1 nur ein Subset. Fuer komplexes Pacing und Pause-Steuerung ist das ein Wermuts-Tropfen.
MAI-Voice-1 vs ElevenLabs: Wer fuer wen?
| Kriterium | MAI-Voice-1 | ElevenLabs |
|---|---|---|
| Geschwindigkeit | 1 Min in unter 1 Sek | 1 Min in 8-12 Sek |
| Preis (1M Zeichen) | 22 USD | 22-30 USD je nach Plan |
| Default-Stimmen Deutsch | 7 | 40+ |
| Voice Cloning Sample | 10 Sek | 30 Sek - 3 Min |
| Emotionale Bandbreite | Mittel | Hoch |
| SSML-Support | Subset | Voll |
| Azure-Integration | Nativ | Via API/Webhooks |
Empfehlung:
- Wenn du in Azure-Stack arbeitest und Volumen-IVR oder skalierte Audio-Produktion fahrst: MAI-Voice-1 ist der natuerliche Default.
- Wenn du kreative Outputs brauchst (Audiobooks, Podcasts, Game-Voiceover, Marketing-Spots): ElevenLabs liefert weiter die emotionalere und vielseitigere Stimme — und der kostenlose Plan reicht fuer erste Tests.
- Hybrid-Setup ist legitim: ElevenLabs fuer Hero-Voices, MAI-Voice-1 fuer Bulk-Standardansagen.
EU-Verfuegbarkeit und DSGVO
Microsoft Foundry ist in den EU-Regionen Frankfurt und Dublin verfuegbar — mit klarer Data-Residency. Voice-Cloning bringt allerdings einen DSGVO-Spezialfall mit sich: Die Stimme einer Person ist personenbezogenes Datum. Wer Voice-Cloning produktiv einsetzt, braucht eine explizite Einwilligung der Sprecher, eine DPIA und ein Loeschkonzept fuer die Voice-Embeddings.
Wer hier Templates braucht — der AEGIS Compliance-Hub liefert das passende DPIA-Template fuer Voice-Cloning-Use-Cases als Teil des AI-Act-Inventory.
Praxis-Empfehlung: Wann lohnt der Wechsel?
Wechsel zu MAI-Transcribe-1, wenn:
- Du Whisper aktuell ueber Azure betreibst und die Latenz druecken willst
- Multilingual-Meetings mit Code-Switching ein Problem sind
- Volumen-Transkription (>1000 Stunden/Monat) deine Kosten treibt
Wechsel zu MAI-Voice-1, wenn:
- Du IVR oder Voice-Bot-Workflows in Azure betreibst
- Voice-Cloning aus kurzen Samples ein Geschaeftsmodell ist
- Du Realtime-Reaktivitaet brauchst (unter 1 Sek pro Minute Audio)
Bei ElevenLabs bleiben, wenn:
- Emotionale Stimme im Vordergrund steht (Audiobooks, Podcasts, Storytelling)
- Du nicht in Azure-Welt arbeitest und die API-Einfachheit schaetzt
- Du Multi-Language-Voice-Cloning mit hoher Konsistenz brauchst
Fazit: Microsofts Voice-Strategie macht Ernst
MAI-Voice-1 und MAI-Transcribe-1 sind keine “Nice-to-have”-Releases. Sie zeigen Microsofts klare Absicht, im Voice-AI-Markt eigene Position zu beziehen — gegen Whisper, gegen ElevenLabs, gegen Gemini. Die Modelle sind heute schon stark genug, um in Enterprise-Setups als Default-Wahl in Frage zu kommen, und Microsoft hat mit der Foundry-Integration einen Vertriebsweg, den ElevenLabs so nicht hat.
Fuer DACH-Unternehmen heisst das: Pruef deinen Voice-Stack neu — nicht alles ueber Bord werfen, aber die Annahmen aus 2024/2025 sind veraltet. Microsoft ist im April 2026 ein ernsthafter Voice-Anbieter geworden.
Weiterlesen:
