MicrosoftAudiomodellVorschau

MAI-Voice-2.1-Flash

BeliebtheitPlatz 654 von 875

0von 100-1 zum Vormonat

Zusammenfassung

MAI-Voice-2.1-Flash ist die auf niedrige Latenz ausgelegte Variante der aktuellen Microsoft-Sprachsynthese. Sie unterstützt dieselben 23 Sprachen und 26 Locales und erzeugt bis zu 45 Sekunden Audio pro Generierung.

Microsoft nennt rund 150 Millisekunden Ende-zu-Ende-Latenz und 15 $ pro 1 Mio. Zeichen. Die Foundry-API-Kennung lautet mai-voice-2-1-flash. Der Zugang ist eine öffentliche Vorschau ohne SLA, die Gewichte sind nicht öffentlich.

Alle Benchmark-Werte

Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.

Alle 8 veröffentlichten Benchmark-Werte anzeigen

Messungen ohne passende Vergleichswerte

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

Cekura TTS hard-part accuracy: numbers and shorthand (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 79
Bewertung: 79
Messgröße: Share of hard-part readings accepted for numbers and shorthand
Einheit: %
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Cekura TTS hard-part accuracy: codes and addresses (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 67
Bewertung: 67
Messgröße: Share of hard-part readings accepted for codes and addresses
Einheit: %
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Cekura TTS hard-part accuracy: read from context (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 75
Bewertung: 75
Messgröße: Share of hard-part readings accepted for context-dependent readings
Einheit: %
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Cekura TTS hard-part accuracy: medical terms (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 92
Bewertung: 92
Messgröße: Share of hard-part readings accepted for medical terms
Einheit: %
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Cekura TTS hard-part accuracy estimate (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 78.3
Bewertung: 78.3
Messgröße: Share of hard parts read correctly, estimated from speech-to-text transcripts
Einheit: %
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Microsoft-published model-inference latency (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 0.045
Bewertung: 0.045
Messgröße: approximate model-inference latency
Einheit: seconds
Benchmark-Version: Microsoft MAI-Voice-2.1 model page retrieved 2026-10-16
Kategorie: audio
Richtung: Weniger ist besser
Quellentyp: vendor-reported
Auswertung: Microsoft AI
Status: active
Abrufdatum: 2026-10-16
Methodik: Vom Anbieter veröffentlichter Wert. Der Abschnitt zu MAI-Voice-2.1-Flash bezeichnet den Wert als Inferenzlatenz und nennt ungefähr 45 ms. Promptlänge, Ausgabelänge, Hardware, Zahl der Anfragen und Messmethode werden nicht angegeben.
Einordnung: Dies ist ein ungefährer, vom Anbieter veröffentlichter Latenzwert, keine standardisierte Qualitätsmessung und kein unabhängig reproduzierter Benchmark.

Quelle Microsoft AI

Cekura TTS non-streaming latency median (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 289
Bewertung: 289
Messgröße: Median time from complete text sent to first audible sound
Einheit: ms
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Weniger ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Cekura UTMOS-predicted naturalness (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 4.32
Bewertung: 4.32
Messgröße: UTMOS-predicted naturalness rating, comparison page labels scale 1 to 5
Einheit: rating
Benchmark-Version: Cekura TTS Model Benchmarks; current page snapshot 2026-10-19; run date and serving revision not stated
Kategorie: audio
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: Cekura Bench TTS Model Benchmarks
Status: active
Abrufdatum: 2026-10-19
Methodik: Offizielle Benchmark-Rangliste. Vom Evaluator ausgeführter TTS-Benchmark. Cekura zufolge las jedes Modell dieselben 104 Sprachagenten-Sätze je dreimal aus einer Cloud-Region in US East, mit einer Standardstimme je Modell und eigenem Streaming-Protokoll. Die Nicht-Streaming-Zeit reicht vom Senden des vollständigen Texts bis zum ersten hörbaren Ton; die Streaming-Zeit vom letzten gesendeten Wort bis zum ersten hörbaren Ton. Die geschätzte Lesegenauigkeit nutzt Transkripte von Deepgram Nova-3 und OpenAI Whisper; akzeptierte Lesarten werden ohne menschliche Prüfung gezählt. Naturalness nutzt UTMOS, ein offenes Modell zur Vorhersage eines Hörtestwerts. Die erfassten Zeilen nennen weder zellbezogenes N, CI, exaktes Testdatum, Serving-/API-Revision noch konkrete Voice-ID, sofern sie nicht separat angezeigt wird.
Einordnung: Cekura legt offen, dass das Unternehmen den Benchmark selbst betreibt und zugleich Test- und Monitoringprodukte im selben Markt verkauft. Die Ergebnisse stammen vom Evaluator und umfassen Stimme, Laufzeit, Protokoll sowie ASR- und UTMOS-Einflüsse. Es handelt sich weder um einen reinen Hörtest mit Menschen noch um eine isolierte Modellmessung.

Quelle Cekura Bench TTS Model Benchmarks

Beliebtheit im Vergleich

Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.

Beliebtheitsindex

0 bis 100, höher ist beliebter

20 von 83 Modellen

pyannote Community-173

Nemotron-3-Diarization57

Gemini 3.5 Transcribe52

Confucius4-R2T252

Granite Speech 5.0 470M TurboCTC52

Kokoro-82M51

Nova-351

Fish Audio S2 Pro51

NVIDIA Nemotron 3.5 Transcribe50

Granite Speech 5.0 470M TurboCTC NC50

Orukeet49

Lyria 3.547

Gemini 3.5 Live Translate46

Phonon-244

Aura-244

Gemini 3.1 Flash TTS44

MiniMax-Music341

Audio8-ASR-Infinite41

GPT-Realtime 2.141

MAI-Voice-2.1-Flash0

pyannote Community-1

Nemotron-3-Diarization

Gemini 3.5 Transcribe

Confucius4-R2T2

Granite Speech 5.0 470M TurboCTC

Kokoro-82M

Nova-3

Fish Audio S2 Pro

NVIDIA Nemotron 3.5 Transcribe

Granite Speech 5.0 470M TurboCTC NC

Orukeet

Lyria 3.5

Gemini 3.5 Live Translate

MAI-Voice-2.1-Flash

Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex

Zeitlicher Verlauf

Wochenwerte vom 18. Oktober 2026 bis 5. November 2026

MAI-Voice-2.1-FlashCartesia Ink-2Eleven v4 TurboMAI-Transcribe-2Muse Voice Transcribe

Alle technischen Daten

Architektur

Modellklasse: Schnelle Sprachsynthese; Quelle: Modellklasse

Ein- und Ausgabe

Eingabe: Text; Quelle: Eingabe
Ausgabe: Audio; Quelle: Ausgabe
Sprachen: 23 Sprachen und 26 Locales; Quelle: Sprachen
Latenz: Rund 150 Millisekunden Ende zu Ende; Quelle: Latenz

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
Watermarking-Technik: Nicht bekannt; ohne Quelle

Lizenz und Zugang

Zugang: Microsoft Foundry API; Quelle: Zugang

API

API-Modellkennung: mai-voice-2-1-flash; Quelle: API-Modellkennung

Weitere Angaben

Vorschau-Bedingungen: Öffentliche Vorschau ohne SLA; Quelle: Vorschau-Bedingungen
Generationslimit: Bis zu 45 Sekunden Audio; Quelle: Generationslimit

Preise

Preis: 15 $ pro 1 Mio. ZeichenQuelle

Quellen und Datenstand

Alle 11 Quellen anzeigen

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.

Art	Nachweis und Datenstand
Recherchestand	Recherchestand 4. Oktober 2026. 6 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
Nicht veröffentlicht	quality-benchmarks Originalwortlaut No exact quality/MOS benchmark; 150 ms is an operational latency claim.
In den geprüften Quellen nicht gefunden	quality-benchmarks Hinweis Kein numerischer Qualitäts- oder MOS-Benchmark für das exakte MAI-Voice-2.1-Flash; die Betriebslatenz ist kein Qualitätsscore.
In den geprüften Quellen nicht gefunden	quality-benchmarks Hinweis Die exakte Flash-Modellseite nennt eine ungefähre Inferenzlatenz, aber weder MOS, Hörerpräferenz noch einen anderen numerischen Qualitätswert. Eine exakte Zeile bei Artificial Analysis wurde nicht gefunden.
Weitere Quelle	Microsoft MAI Voice preview documentation (abgerufen 3. Oktober 2026; 15. Oktober 2026; 16. Oktober 2026) · Microsoft MAI Voice preview documentation · Redaktionelle Beschreibung geprüft am 3. Oktober 2026
Weitere Quelle	Microsoft MAI Voice announcement (abgerufen 3. Oktober 2026; 4. Oktober 2026) · Microsoft MAI Voice announcement · Redaktionelle Beschreibung geprüft am 3. Oktober 2026
Weitere Quelle	Microsoft MAI-Voice-2.1 model page (abgerufen 3. Oktober 2026; 16. Oktober 2026) · Microsoft MAI-Voice-2.1 model page · Redaktionelle Beschreibung geprüft am 3. Oktober 2026
Weitere Quelle	Cekura Bench TTS Model Benchmarks (abgerufen 19. Oktober 2026)1 2
Weitere Quelle	OpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Vercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Ollama: kumulierte Downloads für den Beliebtheitsindex
Weitere Quelle	Replicate: kumulierte Ausführungen für den Beliebtheitsindex
Weitere Quelle	Google Trending Now: begrenzte Feed-Auswahl für Deutschland und USA
Weitere Quelle	Creative Commons Attribution 4.0