Zum Hauptinhalt springen

MicrosoftAudiomodellVorschau

MAI-Voice-2-Flash

Beliebtheitnoch keine Daten

k. A.ohne Such- oder Nutzungsdaten

Zusammenfassung

MAI-Voice-2-Flash ist die schnellere und günstigere Variante von MAI-Voice-2 für Sprachsynthese. Microsoft beschreibt etwa doppelte Geschwindigkeit und einen Preis von 15 $ pro 1 Mio. Zeichen in der Flash-Ankündigung.

Die Modellkennung lautet mai-voice-2-flash und der Foundry-Zugang ist eine Vorschau. Voice 2 Flash ist die frühere veröffentlichte Flash-Variante und gehört nicht zur späteren MAI-Voice-2.1-Flash-Generation.

GraduallyBench Audio

Beim Textabgleich der Sprachausgabe weicht die Rücktranskription von MAI-Voice-2-Flash um 3,7 % von der Vorlage ab (12 Fehler auf 321 Wörter, Deutsch und Englisch). Der Median der 20 Modelle mit Wert für Deutsch und Englisch liegt bei 3,5 %.

Wortfehlerrate Deutsch und Englisch

3,7 %

12 Fehler auf 321 Wörter der Vorlage

Zeichenfehlerrate

3,1 %

53 Fehler auf 1.685 Zeichen

Umfang

16 / 16

gültige Ausgaben von geplanten

Zugang

OpenRouter

Textabgleich Deutsch und Englisch im Vergleich

Abweichende Wörter nach Rücktranskription in Prozent (Deutsch und Englisch), niedriger ist besser

20 von 20 Modellen

Kleinerer Testumfang: Fish Audio S2 Pro, Fish Audio S2.1 Pro, MAI-Voice-2, MAI-Voice-2-Flash, Sonic 3.6, Voxtral Mini TTS, GPT-4o Mini TTS.

Stand 10.11.2026. Quelle: GraduallyBench Audio

MAI-Voice-2-Flash

Benchmark durchgeführt
  • Der Textabgleich nutzt eine zweite Spracherkennung als Näherung.
  • Natürlichkeit und Stimmqualität wurden nicht bewertet.
  • Die tatsächlich verwendete Stimme ist nicht bestätigt.
  • Die genaue Modellversion ist über die Route nicht bestätigt.
Testdetails anzeigen

Sprachausgabe mit Textabgleich

OpenRouter · Deutsch, Englisch

16 gültige Ausgaben aus 16 begonnenen und 16 geplanten Testplätzen.

Textabgleich der Sprachausgabe, WER
4,35 %(7 / 161 Referenzwörter)Deutsch
Textabgleich der Sprachausgabe, CER
3,7 %(33 / 891 Referenzzeichen)Deutsch
Textabgleich der Sprachausgabe, WER
3,13 %(5 / 160 Referenzwörter)Englisch
Textabgleich der Sprachausgabe, CER
2,52 %(20 / 794 Referenzzeichen)Englisch
Textabgleich der Sprachausgabe, WER
3,74 %(12 / 321 Referenzwörter)Deutsch, Englisch
Textabgleich der Sprachausgabe, CER
3,15 %(53 / 1.685 Referenzzeichen)Deutsch, Englisch

WER vergleicht Wörter und CER vergleicht Zeichen mit der Referenz. Die Rücktranskription der Sprachausgabe erfolgte mit GPT Transcribe. Die genaue Backend-Revision ist nicht bestätigt. Gelesene Sprache und digitale Stille decken spontane Sprache und echte Störgeräusche nicht ab. Fehlerraten können über 100 % liegen. Testreferenzen wurden, sofern verwendet, nicht unabhängig menschlich geprüft. Testumfang und Methoden unterscheiden sich je Modell. Jede Kennzahl steht für sich, einen gemeinsamen Gesamtwert über alle Tests gibt es nicht. Daten zusammengestellt am 10.11.2026. So testen wir · Alle Decision- und Audioergebnisse als JSON herunterladen

Alle Benchmark-Werte

Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.

Alle 3 veröffentlichten Benchmark-Werte anzeigen

Messungen ohne passende Vergleichswerte

Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.

Design Arena Audio Realism (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
1.126
Messgröße
Bradley-Terry Elo rating
Einheit
elo
Kategorie
audio-quality
Richtung
Mehr ist besser
Stichprobe
151
Quellentyp
official-leaderboard
Auswertung
Design Arena Audio Realism leaderboard
Status
superseded
Abrufdatum
2026-10-17
Methodik
Offizielle Benchmark-Rangliste. Erfasste Anfrage an die öffentliche Leaderboard-API: POST /api/leaderboard mit {"arenaType":"models","category":"audiorealism","variationName":"public"}. Die exakte mai-voice-2-flash-Zeile nennt wins=74, losses=77, battles=151, winRate=49, elo=1126 und btStdErr=null. Die Audio-Realism-Bewertungen vergleichen in verblindeten A/B-Tests die Natürlichkeit. Pro Modell beschreibt die Seite eine weibliche und eine männliche, gesprächsnahe Stimme in amerikanischem Englisch, aber keine genauen Voice-IDs oder unveränderliche Serving-Revision.
Einordnung
Es wird kein Konfidenzintervall publiziert (btStdErr ist null); genaue Voice-IDs und unveränderliche Serving-Revision fehlen ebenfalls. Es werden keine Geschwindigkeits-, Preis- oder Voice-2.1-Daten verwendet.
Quelle Design Arena Audio Realism leaderboard
DesignArena Audio Realism Elo (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
1.137
Messgröße
Bradley-Terry preference Elo for perceived human-like voice realism
Einheit
elo
Benchmark-Version
DesignArena Audio Realism public board snapshot 2026-10-28
Richtung
Mehr ist besser
Quellentyp
independent-evaluator
Auswertung
DesignArena
Status
active
Abrufdatum
2026-10-28
Methodik
Unabhängige Evaluation. Exakte Quellkonfiguration: Current public Audio Realism row mai-voice-2-flash; one male and one female American-English voice selected per model; blind same-prompt, same-gender comparisons using a fixed held-out set of 500+ versioned prompts across phone-agent, explainer and conversation categories; 166 battles.
Quelle DesignArena
DesignArena TTS Arena Elo (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
1.118
Messgröße
blind pairwise preference Elo
Einheit
elo
Benchmark-Version
DesignArena public TTS board snapshot 2026-10-28
Richtung
Mehr ist besser
Quellentyp
independent-evaluator
Auswertung
DesignArena
Status
active
Abrufdatum
2026-10-28
Methodik
Unabhängige Evaluation. Exakte Quellkonfiguration: Current DesignArena public TTS row mai-voice-2-flash; same-prompt pairwise human preference; 542 battles. Board update 2026-10-28 16:06 UTC.
Einordnung
Battles are pairwise-comparison appearances, not independent prompt count; no row-level confidence interval published.
Quelle DesignArena

Alle technischen Daten

Architektur

Modellklasse
Schnelle Sprachsynthese
Quelle: Modellklasse

Ein- und Ausgabe

Eingabe
Text und Referenzaufnahme
Quelle: Eingabe
Ausgabe
Audio
Quelle: Ausgabe
Geschwindigkeit
Etwa doppelt so schnell wie MAI-Voice-2
Quelle: Geschwindigkeit

Wasserzeichen und Herkunft

KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.

KI-Wasserzeichen
Unbekannt
ohne Quelle
Wasserzeichen-Technik
Nicht bekannt
ohne Quelle

Lizenz und Zugang

Zugang
Microsoft Foundry API
Quelle: Zugang
Abschaltung
Keine angekündigt
ohne Quelle

API

API-Modellkennung
mai-voice-2-flash
Quelle: API-Modellkennung

Weitere Angaben

Stimmklonen
Referenzaufnahme mit Einwilligungs-Schutzvorkehrungen
Quelle: Stimmklonen

Preise

Preis
15 $ pro 1 Mio. ZeichenQuelle

Quellen und Datenstand

Benchmarkquellen im Überblick

Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.

Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.

Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.

ArtNachweis und Datenstand
RecherchestandRecherchestand 4. Oktober 2026. 9 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
In den geprüften Quellen nicht gefunden

quality-benchmarks

Originalwortlaut

Voice-2 preference results and Voice-2.1-Flash latency cannot be transferred to this exact earlier Flash checkpoint.

Ungeklärt

quality-benchmarks

Hinweis

Design Arenas Rangliste Audio Realism meldet für eine Zeile namens MAI Voice 2 Flash eine Bradley-Terry-Elo-Präferenzbewertung von 1.126. Die Stichprobenunsicherheit ist nicht veröffentlicht (btStdErr ist null). Die bewerteten Gesprächsstimmen haben keine öffentlich genannten exakten IDs oder unveränderliche Serving-Revision. Dieses Präferenzresultat wird nicht auf MAI Voice 2 oder MAI Voice 2.1 Flash übertragen.

In den geprüften Quellen nicht gefunden

quality-benchmarks

Hinweis

Für das ältere MAI-Voice-2-Flash wurde weder ein numerischer Qualitätsscore noch eine exakte Zeile bei Artificial Analysis gefunden. Microsofts relative Angabe „doppelt so schnell“ nennt hier keine absolute Latenzkonfiguration und ist kein Qualitätsbenchmark. MAI-Voice-2.1-Flash ist ein eigener Nachfolger.

Nicht veröffentlicht

quality-benchmarks

Hinweis

Microsofts Ankündigung zu MAI-Voice-2-Flash nennt relative Geschwindigkeits- und Preisangaben, aber keinen numerischen Qualitätsscore und keinen Evaluationsnenner. Menschliche Präferenzwerte für MAI-Voice-2 und die aktualisierte Seite zu 2.1 Flash betreffen andere Varianten und wurden nicht übertragen.

Nicht veröffentlicht

confidence-interval

Originalwortlaut

The exact leaderboard row has btStdErr=null and publishes no confidence interval.

Ungeklärt

served-voice-identity

Originalwortlaut

The benchmark describes two conversational American-English voices per model but publishes neither exact MAI Voice 2 Flash voice IDs nor an immutable served revision.

Weitere QuelleMicrosoft MAI Voice 2 Flash announcement (abgerufen 3. Oktober 2026; 4. Oktober 2026; 15. Oktober 2026; 16. Oktober 2026) · Microsoft MAI Voice 2 Flash announcement · Redaktionelle Beschreibung geprüft am 3. Oktober 2026
Weitere QuelleMicrosoft MAI Voice 2 announcement (abgerufen 3. Oktober 2026; 4. Oktober 2026) · Microsoft MAI Voice 2 announcement · Redaktionelle Beschreibung geprüft am 3. Oktober 2026
Weitere QuelleDesign Arena Audio Realism leaderboard (abgerufen 17. Oktober 2026)
Weitere QuelleDesignArena (abgerufen 28. Oktober 2026)12
Weitere QuelleModellmetadaten (abgerufen 17. Oktober 2026; 28. Oktober 2026)
Weitere QuelleModellmetadaten (abgerufen 17. Oktober 2026)