Zum Hauptinhalt springen

MicrosoftAudiomodellAktiv

MAI-Voice-2

Beliebtheitnoch keine Daten

k. A.ohne Such- oder Nutzungsdaten

Zusammenfassung

MAI-Voice-2 ist Microsofts frühere Foundry-Sprachsynthese mit 15 unterstützten Sprachen. Eine Referenzaufnahme von 5 bis 60 Sekunden kann für Stimmenklonen dienen, wobei Microsoft Einwilligungs-Schutzvorkehrungen beschreibt.

Microsoft veröffentlichte MAI-Voice-2 am 2. Juni 2026. Die Foundry-Modellkennung für die Audioausgabe lautet mai-voice-2.

GraduallyBench Audio

Beim Textabgleich der Sprachausgabe weicht die Rücktranskription von MAI-Voice-2 um 3,4 % von der Vorlage ab (11 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

3,4 %

11 Fehler auf 321 Wörter der Vorlage

Zeichenfehlerrate

2,0 %

33 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

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
2,48 %(4 / 161 Referenzwörter)Deutsch
Textabgleich der Sprachausgabe, CER
1,01 %(9 / 891 Referenzzeichen)Deutsch
Textabgleich der Sprachausgabe, WER
4,38 %(7 / 160 Referenzwörter)Englisch
Textabgleich der Sprachausgabe, CER
3,02 %(24 / 794 Referenzzeichen)Englisch
Textabgleich der Sprachausgabe, WER
3,43 %(11 / 321 Referenzwörter)Deutsch, Englisch
Textabgleich der Sprachausgabe, CER
1,96 %(33 / 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 6 veröffentlichten Benchmark-Werte anzeigen

Messungen ohne passende Vergleichswerte

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

win rate versus Voice 1 (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
72,1
Messgröße
win rate
Einheit
%
Benchmark-Version
source version not stated
Kategorie
audio
Richtung
Mehr ist besser
Quellentyp
vendor-reported
Auswertung
Microsoft MAI-Voice-2 announcement
Status
active
Abrufdatum
2026-10-04
Methodik
Vom Anbieter veröffentlichter Wert. 2,500 listening tests; 2,222 responses; 11 languages; preference test, not MOS
Einordnung
Quellenspezifische Beobachtung. Sie begründet keine vergleichbare modellübergreifende Testkohorte.
Quelle Microsoft MAI-Voice-2 announcement
Microsoft listener preference versus human recordings (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
45,5
Messgröße
share of responses preferring MAI-Voice-2 speech
Einheit
%
Benchmark-Version
Microsoft announcement listening-test chart, 11 languages; source version not stated
Kategorie
audio
Richtung
Mehr ist besser
Stichprobe
2222
Quellentyp
vendor-reported
Auswertung
Microsoft AI
Status
active
Abrufdatum
2026-10-16
Methodik
Vom Anbieter veröffentlichter Wert. Über 11 Sprachen und 2.222 Antworten hinweg bevorzugten laut Microsoft 45,5 % die generierte Sprache von MAI-Voice-2, 44 % echte menschliche Aufnahmen und 10,5 % stuften beide gleich ein. Dies ist ein Präferenztest, kein MOS-Wert.
Einordnung
Vom Anbieter veröffentlichter Präferenzwert. Er ist weder ein MOS-Wert noch ein absoluter Natürlichkeitsscore oder ein direkter Modellvergleich. Der bereits dokumentierte Vergleich mit 72,1 % gegenüber MAI-Voice-1 ist eine separate Kohorte und Beobachtung.
Quelle Microsoft AI
Design Arena Audio Realism public leaderboard Elo, 2026-10-17 (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
1.209
Messgröße
Elo-style rating from Bradley-Terry pairwise preference votes
Einheit
elo
Benchmark-Version
Design Arena Audio Realism public leaderboard snapshot 2026-10-17
Kategorie
audio realism
Richtung
Mehr ist besser
Quellentyp
official-leaderboard
Auswertung
Design Arena Audio Realism leaderboard
Status
superseded
Abrufdatum
2026-10-17
Methodik
Offizielle Benchmark-Rangliste. Der öffentliche Audio-Realism-Benchmark vergleicht blind zwei Aufnahmen desselben Prompts in zufälliger Reihenfolge. Geprüfte Muttersprachler wählen die Stimme, die menschlicher klingt. Bradley-Terry fasst die Stimmen zu einer Elo-artigen Bewertung zusammen. Verwendet werden mehr als 500 feste, versionierte private Prompts aus den Kategorien Telefonagent, Erklärungen und Gespräche. Je Modell wird eine männliche und eine weibliche amerikanisch-englische Stimme ausgewählt; verglichen werden jeweils derselbe Prompt und dasselbe Geschlecht. Die API-Zeile vom 17. Oktober 2026 weist für die exakte Modell-ID mai-voice-2 385 Siege, 243 Niederlagen und 628 Paarvergleiche aus.
Einordnung
Die aktuelle API nennt 628 paarweise Vergleiche, aber weder Konfidenzintervall noch effektive unabhängige Stichprobengröße. Die Stimmenzahl wird daher nicht als sampleCount gespeichert. Die 1.224 Elo des Artikels stammen aus einer älteren Veröffentlichung und sind keine unabhängige Replikation.
Quelle Design Arena Audio Realism leaderboard
Cantari Open AI Voice Benchmark, routed latency (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
2.426
Messgröße
wall-clock time from request to receipt of full audio bytes
Einheit
ms
Kategorie
audio-latency
Richtung
Weniger ist besser
Quellentyp
independent-evaluator
Auswertung
Cantari
Status
active
Abrufdatum
2026-10-22
Methodik
Unabhängige Evaluation. Cantari sendet denselben englischen Text über den gerouteten Spracheingang seines Studios, misst drei Durchläufe und veröffentlicht den Median der Zeit bis zum vollständigen Empfang der Audiodaten.
Einordnung
Dies ist die Latenz auf Cantaris geroutetem Pfad, keine allgemeine SLA und kein Qualitätswert. Cantari erklärt ausdrücklich, dass der angezeigte MAI-Voice-2-Elo-Wert zu MAI-Voice-1 gehört; MAI Voice 2 ist dort nicht im Arena-Rating enthalten. Die Serving-Revision ist nicht angegeben.
Quelle Cantari
DesignArena Audio Realism Elo (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
1.208
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; 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; 640 battles.
Quelle DesignArena
DesignArena TTS Arena Elo (Messwert, Testbedingungen und Quelle anzeigen)
Originalwert
1.160
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; same-prompt pairwise human preference; 2582 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
Sprachsynthese
Quelle: Modellklasse

Ein- und Ausgabe

Eingabe
Text und Referenzaufnahme
Quelle: Eingabe
Ausgabe
Audio
Quelle: Ausgabe
Sprachen
15 Sprachen
Quelle: Sprachen

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. Microsoft führt das Modell für Herkunftskennzeichnung in Foundry auf. Die Tabelle legt nicht offen, ob dabei ein unsichtbares Wasserzeichen eingesetzt wird.
Quelle: KI-Wasserzeichen
Wasserzeichen-Technik
Nicht bekannt
Quelle: Wasserzeichen-Technik
Kennzeichnung geprüft am
07.11.2026
Quelle: Kennzeichnung geprüft am

Lizenz und Zugang

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

API

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

Weitere Angaben

Stimmklonen
Referenzaufnahme von 5 bis 60 Sekunden mit Einwilligungs-Schutzvorkehrungen
Quelle: Stimmklonen

Quellen und Datenstand

Alle 9 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.