Microsoft baut seinen eigenen Sprach-KI-Stack kontinuierlich aus, und die neueste Komponente ist MAI-Realtime, ein bidirektionales Sprachmodell, das sich derzeit in der internen Vorschau befindet. Das Unternehmen gibt an, dass das Modell natürlichere Interaktionen in mehreren Sprachen bieten und in sein breiteres Tool-Ökosystem integriert werden soll.

Im Gegensatz zu herkömmlichen Sprachsystemen, die im Walkie-Talkie-Stil zwischen Sprechen und Zuhören abwechseln, verarbeitet ein bidirektionales Modell beides gleichzeitig. MAI-Realtime verarbeitet Audio in Echtzeit in beide Richtungen und ermöglicht Interaktionen, die konversationell wirken statt starr oder mechanisch. Dieser Vollduplex-Ansatz spiegelt wider, wie menschliche Kommunikation tatsächlich funktioniert – Menschen unterbrechen sich, überschneiden sich und reagieren mitten im Satz – und stellte eine technische Grenze für Sprach-KI dar, bei der Latenz und die Logik der Gesprächsabfolge Interaktionen lange mechanisch wirken ließen.

MAI-Realtime befindet sich noch in einer internen Vorschauphase, was bedeutet, dass Microsoft es weder für öffentliche Tests geöffnet noch Leistungsbenchmarks veröffentlicht hat. Was das Unternehmen bestätigt hat, ist, dass das Modell natürlicher wirken, mehrere Sprachen unterstützen und mit bestehenden Tools zusammenarbeiten soll – was im Microsoft-Ökosystem wahrscheinlich auf eine Integration mit Copilot und der Suite von Produktivitätsanwendungen hindeutet.

MAI-Realtime existiert nicht isoliert. Microsoft hat unter seinem MAI-Dach (Microsoft AI) einen vollständigen Sprach-KI-Stack aufgebaut. MAI-Voice-1, das ausdrucksstarke Text-to-Speech-Modell des Unternehmens, wurde erstmals im August 2025 vorgestellt und im April 2026 erweitert. Dieses Modell kann eine volle Minute Audio in unter einer Sekunde auf einer einzigen GPU erzeugen und wurde bereits in Copilot-Funktionen über mehrere Microsoft-Anwendungen hinweg integriert. Daneben führte Microsoft MAI-Transcribe-1 ein, ein Spracherkennungsmodell, das 25 Sprachen unterstützt.

Zusammen bilden die drei Modelle einen vertikal integrierten Sprach-KI-Stack: MAI-Transcribe-1 übernimmt das Zuhören, MAI-Voice-1 das Sprechen und MAI-Realtime ermöglicht die vollständige bidirektionale Konversation – alles vollständig im Eigentum von Microsoft. Für Microsoft, das über Hunderte Millionen von Unternehmensnutzern in Teams, Office und Windows verfügt, bedeutet die interne Kontrolle dieses Stacks, dass sprachbasierte KI-Interaktionen tief in Arbeitsabläufe eingebettet werden können – von Live-Transkription und Zusammenfassung in Teams bis hin zur sprachgesteuerten Dokumenterstellung –, ohne vom Veröffentlichungsrhythmus oder der Preisgestaltung eines Drittanbieters abhängig zu sein.

Dieser proprietäre Ansatz hat klare strategische Implikationen. Wenn Microsoft auf OpenAIs Sprachfähigkeiten angewiesen ist, zahlt es für Inferenz, ist den Preisentscheidungen von OpenAI unterworfen und hat keine Kontrolle über die Produkt-Roadmap. Der Aufbau eigener Modelle verändert diese Kalkulation vollständig.

Die Wettbewerbslandschaft ist aktiv. OpenAI veröffentlichte Ende 2024 seine eigene Echtzeit-Sprach-API, und Google hat die multimodalen Fähigkeiten von Gemini weiterentwickelt, die Audioverarbeitung umfassen. Amazon hat ebenfalls stark in Sprach-KI durch Alexa und seine Bedrock-Plattform investiert. Der gemeinsame Nenner dieser Bemühungen ist der Vorstoß in Richtung Sprache als primäre Schnittstelle für KI – nicht nur ein Feature, sondern eine grundlegende Art, wie Nutzer mit Modellen interagieren. Microsofts Schritt signalisiert, dass das Unternehmen in diesem Bereich mit eigener Technologie konkurrieren will, anstatt die Technologie eines Partners zu lizenzieren.

Wenn MAI-Realtime schließlich in Copilot für Microsoft 365 integriert wird, würde es Unternehmensnutzer in Word, Excel, Teams und Outlook erreichen. Echtzeit-Sprachinteraktion in diesen Tools könnte die Hürde für Nutzer senken, die getippte Eingaben als umständlich empfinden, obwohl Microsoft keine konkreten Produktpläne bestätigt hat.

Zu den wichtigsten offenen Fragen gehören, ob MAI-Realtime von der internen Vorschau zum öffentlichen Entwicklerzugang fortschreitet, wie schnell es in die bestehenden Sprachfunktionen von Copilot integriert wird und ob Microsoft mit der Veröffentlichung von Benchmark-Vergleichen mit OpenAIs Echtzeit-Sprach-API beginnt.