Microsofts neue Sprachmodelle: Was über MAI-Transcribe und MAI-Voice bekannt ist

Was über die Modelle veröffentlicht wurde

Microsoft soll eine neue Familie von Sprachmodellen vorgestellt haben. In den vorliegenden Angaben werden MAI-Transcribe-2-Streaming und Text-to-Speech-Modelle genannt; außerdem erscheinen die Namen MAI-Voice-2.1 und MAI-Voice-2.1-Flash. Das Transkriptionssystem soll Text ausgeben, bevor die sprechende Person ihren Beitrag beendet hat; die Sprachmodelle sollen 23 Sprachen unterstützen.

Diese Beschreibungen sind Medienberichte und keine unabhängig bestätigten Testergebnisse. Das vorliegende Material enthält keine offizielle Microsoft-Ankündigung, die die Namen, die Verfügbarkeit und die genannten Kennzahlen gemeinsam bestätigt. Die bereitgestellte offizielle Dokumentation behandelt MAI-Transcribe-2 sowie die von Voice Live unterstützten Sprachen. Die vorliegenden Auszüge bestätigen jedoch weder die Streaming-Variante noch die ungefähre Latenz von 100 Millisekunden oder die für die Sprachsynthese genannten 23 Sprachen.

Diese Unterscheidung ist wichtig: Wenn ein verwandtes Produkt in offizieller Dokumentation aufgeführt wird, sind damit nicht automatisch die Spezifikationen einer konkreten Variante bestätigt. Daher sollten die Namen und Funktionen als Angaben der genannten Sekundärquellen wiedergegeben werden. Eine direkte Bestätigung durch Microsoft steht weiterhin aus.

Was es bedeutet, während des Sprechens zu transkribieren

Bei einer herkömmlichen Transkription liefert das System den Text oft erst, wenn ein ausreichend vollständiger Audioabschnitt vorliegt. Beim Streaming wird das Audio in Abschnitten verarbeitet; dadurch kann das System vorläufigen Text ausgeben, während die Person noch spricht. Das könnte die Zeit verkürzen, die zwischen einer Äußerung und der Antwort eines Sprachagenten vergeht. Dass Text bereits vor dem Ende eines Beitrags erscheint, reicht jedoch nicht aus, um die Eignung des Systems für ein Gespräch zu belegen.

Vorläufiger Text kann sich ändern, sobald weitere Audioabschnitte eintreffen. Eine aussagekräftige Bewertung sollte deshalb unterscheiden, wann der erste Text erscheint und wann ein stabiles, korrektes Transkript vorliegt. Ebenfalls zu messen sind Fehler, geänderte oder zurückgezogene Wörter sowie das Verhalten bei Pausen, Hintergrundgeräuschen, Akzenten und gleichzeitig sprechenden Personen. Zu keiner dieser Messgrößen enthalten die vorliegenden Auszüge zur Latenzangabe Einzelheiten.

Die Formulierung „etwa 100 Millisekunden“ muss genauer definiert werden, bevor sie mit den Werten anderer Systeme verglichen werden kann. Sie könnte die Zeit bis zum ersten Ergebnis, die Verzögerung zwischen einem Audioabschnitt und seiner Verarbeitung oder eine andere Messgröße bezeichnen. Ohne Kenntnis des Start- und Endpunkts, der Testbedingungen und der Frage, ob Netzwerk und Gerät einbezogen sind, lässt sich daraus nicht schließen, dass sich ein vollständiges Gespräch ebenso schnell anfühlt.

Was die Unterstützung für 23 Sprachen bedeuten könnte

Auch bei der Zahl von 23 Sprachen muss geklärt werden, welche Funktion damit gemeint ist. In einem Sprachsystem sind gesprochene Wörter zu erkennen, Sprache zu erzeugen, Eigennamen auszusprechen und eine über mehrere Sprachen hinweg konsistente Stimme beizubehalten unterschiedliche Fähigkeiten. Eine Liste der Sprachen, die ein Sprachdienst unterstützt, belegt für sich genommen weder, dass jedes Modell der Produktfamilie dieselbe Unterstützung bietet, noch dass die Qualität in allen Sprachen vergleichbar ist.

Der Sprachsynthese werden Unterstützung für 23 Sprachen und eine lokalisierte Aussprache zugeschrieben. Diese Angaben sind nicht näher belegt. Der bereitgestellte Auszug enthält weder eine Sprachliste noch Beispiele aus Tests oder Angaben zu Stimmen, regionalen Varianten und Zugangsvoraussetzungen. Die offizielle Seite zu den von Voice Live unterstützten Sprachen liefert Kontext zu einem Microsoft-Sprachprodukt. Aus dem verfügbaren Auszug lässt sich dieser Umfang jedoch nicht auf MAI-Voice-2.1 oder MAI-Voice-2.1-Flash übertragen.

In der Praxis kann die Aussage, ein Modell unterstütze eine Sprache, bedeuten, dass es verständliches Audio erzeugt. Sie ist aber nicht zwangsläufig eine Garantie für natürliche Intonation oder eine gute Abdeckung verschiedener Akzente. Auch können sich die Qualität der Sprachsynthese und die der Transkription unterscheiden. Um die Sprachabdeckung einzuschätzen, wären Tests für jede Sprache und jede Aufgabe nötig. Zudem müsste geklärt werden, ob die Verfügbarkeit von einer Region, einer Version oder einem bestimmten Dienst abhängt.

Welche Tests die Eignung für Sprachagenten zeigen könnten

Für einen Vergleich von Streaming-Transkriptionsmodellen sollte derselbe Satz von Aufnahmen unter denselben Netzwerk- und Hardwarebedingungen verwendet werden. Sinnvoll wäre es zu messen, wann der erste Text erscheint, wann er stabil ist, wie viele Wörter korrekt bleiben und wie viele Änderungen vorgenommen werden. Die Tests sollten außerdem spontane Sprache, Pausen, Hintergrundgeräusche, überlappende Gesprächsbeiträge und ungewöhnliche Namen umfassen. Nur die beste gemessene Zeit zu veröffentlichen, sagt nichts über die typische Leistung aus.

Bei Sprachagenten hängt die Antwort von mehr Komponenten als der Spracherkennung ab: von der Audioverarbeitung, dem Konversationsmodell, der Sprachgenerierung und der Übertragung an die nutzende Person. Ein Ende-zu-Ende-Test sollte die Zeit vom Beginn oder Ende eines Gesprächsbeitrags – mit eindeutig festgelegter Definition – bis zum Eintreffen einer hörbaren Antwort erfassen. Außerdem sollte geprüft werden, ob der Agent erkennt, dass die Person erneut zu sprechen beginnt, und ob er eine bereits begonnene Antwort anhalten oder korrigieren kann.

Für die Sprachsynthese ist eine eigene Testreihe erforderlich. Bewertet werden können Verständlichkeit, Natürlichkeit, die Aussprache von Wörtern und Namen, die Konsistenz der Stimme und die Qualität in jeder angegebenen Sprache. Ein fairer Vergleich müsste die verfügbaren Stimmen, die verwendete Konfiguration und die Bewertungsmethode dokumentieren. Die bereitgestellten Materialien enthalten keine solchen Ergebnisse. Daher lässt sich daraus nicht ableiten, dass die Modelle bestimmten Alternativen überlegen sind.

Verfügbarkeit und Grenzen der Aussagen

Die bereitgestellte Microsoft-Learn-Dokumentation bezeichnet MAI-Transcribe-2 als Sprach-zu-Text-Dienst und liefert Kontext zu seiner Einordnung. Eine weitere Seite behandelt die von Voice Live unterstützten Sprachen. Diese Quellen helfen bei der Prüfung, doch die abgerufenen Auszüge sagen nicht, ob MAI-Transcribe-2-Streaming, MAI-Voice-2.1 und MAI-Voice-2.1-Flash verfügbar sind, für wen sie angeboten werden, in welchen Regionen sie eingesetzt werden können oder welche Bedingungen gelten.

Auch die in den Verifizierungsfragen angesprochene zeitliche Unstimmigkeit lässt sich anhand der erhaltenen Angaben nicht aufklären. Es fehlen sowohl ein konkreter Bezugspunkt für die aktuelle Uhrzeit als auch die vollständigen Veröffentlichungszeiten der beiden Meldungen. Daher lässt sich nicht feststellen, ob die Beiträge nach dem Zeitpunkt veröffentlicht wurden, auf den sich die Angaben beziehen, und ihre Chronologie kann nicht bestätigt werden. Das Veröffentlichungsdatum und der Zeitpunkt der ersten Erfassung können voneinander abweichen; beides sollte geprüft werden, bevor eine Veröffentlichungsreihenfolge dargestellt wird.

Die derzeit präziseste Schlussfolgerung bleibt begrenzt: Zwei Veröffentlichungen beschreiben Microsoft zugeschriebene Modelle für Transkription und Sprachsynthese und nennen Streaming, einen Latenzwert sowie mehrsprachige Unterstützung. Die bereitgestellte offizielle Dokumentation bestätigt den Kontext von MAI-Transcribe-2 und Voice Live, aber nicht diese konkreten Spezifikationen. Wer Entwicklungen in diesem Bereich verfolgen möchte, kann in den Bereich Nachrichten wechseln, unter Vergleiche Kriterien für verschiedene Systeme betrachten und unter Entdecken weitere Themen finden. Diese redaktionellen Verweise ersetzen weder die Dokumentation des Anbieters noch unabhängige Tests.

Weiter entdecken

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.