MicrosoftAudiomodellVorschau
MAI-Voice-2.1
BeliebtheitPlatz 649 von 875
1von 100-1 zum Vormonat
Zusammenfassung
MAI-Voice-2.1 wandelt Text in natürlich klingende Sprache um und deckt 23 Sprachen mit 26 Locales ab. Eine kurze Referenzaufnahme kann eine Stimme übernehmen, wobei Microsoft Einwilligungs-Schutzvorkehrungen für das Klonen nennt.
Der Zugang läuft als öffentliche Vorschau ohne SLA über Microsoft Foundry. Microsoft nennt 22 $ pro 1 Mio. Zeichen. MAI-Voice-2.1 ist für erzeugte Audioausgabe gedacht und nicht für Transkription oder allgemeines Audioverständnis.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 9 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
- 85
- Bewertung
- 85
- 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.
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.
Cekura TTS hard-part accuracy: read from context (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 73
- Bewertung
- 73
- 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.
Cekura TTS hard-part accuracy: medical terms (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 99
- Bewertung
- 99
- 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.
Cekura MAI-Voice-2.1 estimated hard-parts reading percentage (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 82.2
- Bewertung
- 82.2
- Messgröße
- Cekura task-labelled hard-parts reading percentage estimated from speech-to-text transcripts; scoring formula and denominator not disclosed
- Einheit
- %
- Benchmark-Version
- Cekura TTS benchmark page, last updated 2026-10-19; exact run date not stated
- Kategorie
- audio
- Richtung
- Mehr ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Cekura Bench
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Cekura benennt MAI-Voice-2.1 und zeigt 19 feste Vorlesesätze für diese Stimme. Die 82,2 % sind aus Speech-to-Text-Transkripten geschätzt, kein menschlicher Hörtest. Cekura nennt weder Formel noch Nenner, ASR-System(e), Sprache, genaue Request-Modell-ID/API-Route, Serving-Revision oder Konfidenzintervall. Die Seite wurde zuletzt am 19.10.2026 aktualisiert und nennt Dileep Chagam als Methodikautor.
- Einordnung
- Dies ist ein von Cekura aufgabenspezifisch ausgewiesener Prozentwert zum Vorlesen, kein allgemeiner Audioqualitäts- oder Latenzwert. Die Seite zeigt 19 Sätze, belegt damit aber weder den Metriknenner noch N; 26 ist die Stimmen-Vergleichsgruppe, nicht N. Formel, Nenner, ASR-Scorer, Sprache, genaue API-Route/Serving-Revision und Konfidenzintervall sind nicht offengelegt.
Microsoft-published model-inference latency (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.55
- Bewertung
- 0.55
- 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. Die Modellseite bezeichnet den Wert als Inferenzlatenz und nennt ungefähr 550 ms. Sie gibt Promptlänge, Ausgabelänge, Hardware, Zahl der Anfragen und Messmethode nicht an.
- Einordnung
- Dies ist ein ungefährer, vom Anbieter veröffentlichter Latenzwert, keine standardisierte Qualitätsmessung und kein unabhängig reproduzierter Benchmark.
Cekura TTS naturalness score (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 4.18
- Bewertung
- 4.18
- Messgröße
- Naturalness rating reported on Cekura's text-to-speech benchmark page
- Einheit
- rating
- Kategorie
- audio
- Richtung
- Mehr ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Cekura Bench TTS Model Benchmarks
- Status
- active
- Abrufdatum
- 2026-10-21
- Methodik
- Unabhängige Evaluation. Cekura zeigt die erste unbearbeitete Ausgabe für 19 Testsätze. Die Seite nennt weder Bewertungsverfahren noch Serving-Revision, Laufdatum oder ausgewertete Stichprobengröße.
- Einordnung
- Die Seite berichtet eine modellspezifische Natürlichkeitsbewertung, nennt aber weder Skala noch Bewertungsverfahren, ob Menschen oder ein Prädiktor sie erzeugten, ausgewertetes N, Konfidenzintervall, Laufdatum oder genaue Serving-Revision.
MAI-Voice-2.1 median speech-start latency (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 861
- Bewertung
- 861
- Messgröße
- Time to start speaking on a typical sentence, median
- Einheit
- ms
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Cekura Bench
- Status
- active
- Abrufdatum
- 2026-10-23
- Methodik
- Unabhängige Evaluation. Cekura berichtet die Sprechstart-Latenz von MAI-Voice-2.1 für einen typischen Satz und für das langsamste Zehntel. Die Seite nennt weder Messdatum noch Zahl der Äußerungen oder unveränderliche Serving-Revision.
- Einordnung
- Cekura gibt an, diese Benchmarks selbst durchzuführen, und verkauft zugleich Test- und Monitoringwerkzeuge für Voice Agents. Das Unternehmen hat damit ein kommerzielles Interesse in diesem Markt. Die Seite nennt weder Kohortengröße noch Messdatum; das Abrufdatum ist nicht das Messdatum.
MAI-Voice-2.1 p90 speech-start latency (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.32
- Bewertung
- 1.32
- Messgröße
- Time to start speaking for the slowest one in ten sentences, p90
- Einheit
- seconds
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Cekura Bench
- Status
- active
- Abrufdatum
- 2026-10-23
- Methodik
- Unabhängige Evaluation. Cekura berichtet die Sprechstart-Latenz von MAI-Voice-2.1 für einen typischen Satz und für das langsamste Zehntel. Die Seite nennt weder Messdatum noch Zahl der Äußerungen oder unveränderliche Serving-Revision.
- Einordnung
- Cekura gibt an, diese Benchmarks selbst durchzuführen, und verkauft zugleich Test- und Monitoringwerkzeuge für Voice Agents. Das Unternehmen hat damit ein kommerzielles Interesse in diesem Markt. Die Seite nennt weder Kohortengröße noch Messdatum; das Abrufdatum ist nicht das Messdatum.
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-1, pyannote: 73
Nemotron-3-Diarization, NVIDIA: 57
Gemini 3.5 Transcribe, Google: 52
Confucius4-R2T2, NetEase Youdao: 52
Granite Speech 5.0 470M TurboCTC, IBM: 52
Kokoro-82M, hexgrad: 51
Nova-3, Deepgram: 51
Fish Audio S2 Pro, Fish Audio: 51
NVIDIA Nemotron 3.5 Transcribe, NVIDIA: 50
Granite Speech 5.0 470M TurboCTC NC, IBM: 50
Orukeet, Oruk: 49
Lyria 3.5, Google: 47
Gemini 3.5 Live Translate, Google: 46
Phonon-2, Fermion Research: 44
Aura-2, Deepgram: 44
Gemini 3.1 Flash TTS, Google: 44
MiniMax-Music3, MiniMax: 41
Audio8-ASR-Infinite, Edge0 AI: 41
GPT-Realtime 2.1, OpenAI: 41
MAI-Voice-2.1, Microsoft: 1
MAI-Voice-2.1
Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex
Zeitlicher Verlauf
Wochenwerte vom 18. Oktober 2026 bis 5. November 2026
MAI-Voice-2.1Qwen3.8-LiveTranslateEleven v4MAI-Transcribe-2-StreamingCartesia Ink-2
Alle technischen Daten
Architektur
Ein- und Ausgabe
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
API
Weitere Angaben
- Stimmklonen
- Referenzaufnahme mit wenigen Sekunden und Einwilligungs-Schutzvorkehrungen
- Quelle: Stimmklonen
Preise
- Preis
- 22 $ 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.