Microsoft AI hat im Rahmen der Ignite 2026 MAI Realtime 1 vorgestellt, das erste Speech-to-Speech-Modell des Unternehmens, gedacht für Echtzeit-Dialoge im Unternehmenseinsatz. Die einfache Speech-to-Speech-Nutzung kostet ab 0,01 US-Dollar pro Audiominute. Bei Aufgaben, die tiefes Schlussfolgern erfordern, reicht das Modell an eine leistungsstärkere Reasoning-Engine weiter; diese Leistung wird separat nach Token abgerechnet, mit 1 US-Dollar pro Million Eingabe-Token und 5 US-Dollar pro Million Ausgabe-Token.
Das Modell ist kompatibel zur Realtime API von OpenAI. Anwendungen, die bereits für diese Schnittstelle geschrieben wurden, lassen sich theoretisch durch einen anderen Endpunkt umstellen.

Funktionsumfang und Verfügbarkeit
Die von Microsoft genannten Funktionen zielen auf Kundenservice und Callcenter: Nutzer können dem Modell ins Wort fallen, es streut im passenden Moment Rückmeldungen wie „mhm“ oder „okay“ ein (in der Branche Backchanneling genannt), kommt mit Hintergrundgeräuschen zurecht, ruft Tools und Unternehmenssysteme auf, um Aktionen auszuführen, und lässt sich per Prompt auf eine bestimmte Persona festlegen.
Die Einführung läuft über mehrere Wege. Entwickler können das Modell in MAI Labs ausprobieren; Microsoft Foundry bietet eine begrenzte Vorschau, für die man sich bewerben muss. Während der Vorschau fallen keine Gebühren an, abgerechnet wird erst ab der öffentlichen Vorschau. Auf der Produktseite soll das Modell in Dynamics 365 Contact Center und Dragon Copilot einziehen; Letzteres nutzt es, um Patientengespräche zu simulieren und damit Pflegekräfte zu schulen. Als frühe Anwender nennt Microsoft die Reiseplattform Agoda und Reservations.ai. Welche Sprachen unterstützt werden, wie viele Stimmen es gibt und wann die öffentliche Vorschau beginnt, steht auf der Ankündigungsseite nicht.
Der Benchmark-Vergleich besteht aus einem Satz
Microsofts Originalformulierung lautet:
"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"
(Unser Modell übertrifft GPT Realtime 2.1 bei Qualität, Geschwindigkeit und Preis.)
Belegt wird dieser Satz mit Big Bench Audio (Sprach-Reasoning), τ-Voice (Aufgabenerfüllung durch Sprachagenten) und Microsofts eigener Dynamics-365-Kundenservice-Auswertung. Laut Ankündigungsseite liegt MAI Realtime 1 bei den ersten beiden Tests auf der „Pareto-Front von Leistung und Preis“. Konkrete Werte, Testkonfigurationen und Latenzzahlen nennt die Seite nicht; in der Fußnote steht lediglich, die Ergebnisse hingen von der jeweiligen Testkonfiguration und Last ab. Von außen lässt sich dieser Vergleich derzeit nicht überprüfen.
Zwei Architekturen im Vergleich
Sprachagenten werden üblicherweise dreistufig aufgebaut: zuerst Sprache zu Text, dann ein Text-Sprachmodell, am Ende die Sprachsynthese. In dieser Kette addiert sich die Latenz jeder Stufe, und auch Unterbrechungen durch den Nutzer sind schwer zu handhaben. Ein durchgängiges Speech-to-Speech-Modell spart die Zwischenstufe der Transkription ein. Die Realtime-Reihe von OpenAI geht genau diesen Weg, und Microsoft tritt nun direkt dagegen an.
Die Preisgestaltung von MAI Realtime 1 trennt zwei Dinge: Das Grundgespräch wird nach Minuten abgerechnet, tiefes Schlussfolgern nach Token. Unternehmen können den Hauptteil der Kosten anhand der Gesprächsdauer abschätzen, die Reasoning-Kosten für schwierige Fälle kommen separat hinzu; für Callcenter ist das gut nachvollziehbar. Der Preis dafür: Der Schlagzeilenpreis von 0,01 US-Dollar entspricht nicht den gesamten Kosten eines Anrufs, wer viele Reasoning-Aufrufe hat, muss selbst nachmessen.
Im Kontext der Microsoft-Produktpalette betrachtet: In derselben Woche stellte das Unternehmen auch das Coding-Modell MAI Code 2 vor. Mit der Sprache ergänzt, hat Microsoft nun in den Bereichen Programmierung, Kundenservice-Sprache und Basismodelle jeweils eigene Modelle; dem Veröffentlichungstempo nach zu urteilen, wächst in der Beziehung zu OpenAI der Anteil des Ersatzes.
Quellen: offizieller Blog von Microsoft AI, CocoLoop, Ignite-2026-Ankündigungsmaterial; geprüft wurden der Basispreis pro Audiominute, die Token-Preise für das Reasoning und die ersten Produkte, in die das Modell einzieht.