Microsoft MAI: Neue Bild- und Sprachmodelle für Azure und Bing

Microsoft hat kürzlich das KI-Portfolio der MAI-Familie um zwei spezialisierte Modelle erweitert. Die Neuzugänge MAI-Image-2.5-Pro und MAI-Voice-2-Flash adressieren gezielt die hochwertige Bildsynthese sowie die schnelle, kosteneffiziente Sprachausgabe. Beide Modelle stehen ab sofort innerhalb der Plattform Azure AI Foundry zur Verfügung und können zudem in der interaktiven Umgebung des MAI Playground erprobt werden.

MAI-Image-2.5-Pro setzt Fokus auf Text-Rendering

MAI-Image-2.5-Pro ist das aktuell leistungsfähigste Grafikmodell aus dem Hause Microsoft. Die Architektur wurde darauf optimiert, komplexe Details und insbesondere die korrekte Darstellung von Textelementen innerhalb generierter Bilder zu bewältigen. Damit reagiert das Unternehmen auf eine Schwachstelle herkömmlicher Diffusionsmodelle. Entwickler erhalten Zugriff über eine API-Struktur, die verschiedene Eingabetypen nach Nutzung bepreist.

Metrik	Preis pro 1 Million Token
Input Text-Token	5 USD
Input Bild-Token	8 USD
Output Bild-Token	106 USD

Die Integration in bestehende Microsoft-Dienste ist bereits aktiv: Der Bing Image Creator wurde vollständig auf MAI-Image-2.5 umgestellt. In PowerPoint übernimmt das Modell neuerdings die Bildbearbeitung, was die Rechenkosten im Vergleich zum zuvor genutzten GPT-Image-2 um 84 % senkt. Auch OneDrive-Nutzer spüren den Wechsel: Die Latenz sank um etwa 25 %, während die Rate der durch Nutzer gespeicherten Bilder um 26 % anstieg.

Highspeed-Sprachsynthese mit MAI-Voice-2-Flash

MAI-Voice-2-Flash ist eine auf Geschwindigkeit getrimmte Variante für die Sprachsynthese. Das Modell arbeitet doppelt so schnell wie sein Vorgänger MAI-Voice-2 und reduziert dabei die Betriebskosten um etwa 32 %. Microsoft berechnet für die Nutzung 15 USD pro eine Million Zeichen. Ein prominentes Anwendungsbeispiel ist das Dynamics 365 Contact Center, bei dem der Wechsel auf die Flash-Variante die notwendige Rechenleistung um bis zu 89 % reduzierte.

Neben der Bild- und Sprachausgabe verzeichnet Microsoft Fortschritte bei der Transkription. Das Modell MAI-Transcribe-1.5 hat ältere Systeme im Service Dragon Copilot ersetzt. Hierbei konnte die Fehlerquote bei der Spracherkennung sowie der automatischen Sprachidentifikation für den Großteil der 58 unterstützten Sprachen halbiert werden.

Zugriff und Entwickler-Ressourcen

Entwickler können die neuen Modelle direkt in ihre Workflows integrieren oder in den bereitgestellten Testumgebungen evaluieren. Microsoft stellt hierfür verschiedene Einstiegspunkte zur Verfügung:

• Der interaktive Test ist im playground.microsoft.ai/chat möglich.
• Die technische Dokumentation und Modellkataloge finden sich bei ai.azure.com.
• Direkte Deep-Links zu den Modellkarten stehen für MAI-Image-2.5-Pro und MAI-Voice-2-Flash bereit.

Die Strategie, Drittanbieter-Modelle schrittweise durch hauseigene MAI-Lösungen zu ersetzen, unterstreicht Microsofts Bestreben nach mehr Unabhängigkeit und Effizienz innerhalb der eigenen Cloud-Infrastruktur im Jahr 2026.