Ein Sprachassistent wirkt schnell, wenn er eine Anfrage schon während des Sprechens aufnimmt. Für Unternehmen zählt jedoch ebenso, ob er die endgültige Aussage richtig versteht. Microsoft hat am 1. Oktober 2026 neue Modelle für laufende Transkription und Sprachausgabe vorgestellt. Die technische Dokumentation ordnet die Azure-Angebote derzeit als öffentliche Vorschau ein: ohne Service-Level-Vereinbarung und nicht für produktive Systeme empfohlen.
Gesprochenes wird schrittweise zu Text
MAI-Transcribe-2-Streaming verarbeitet einen fortlaufenden Audiostream. Statt auf das Ende einer Äusserung zu warten, liefert es bereits während des Sprechens Zwischenstände. Diese können mit weiterem Kontext überarbeitet werden; abschliessende Ergebnisse bestätigen einzelne Abschnitte. Microsoft nennt Unterstützung für 60 Sprachen und eine laufende automatische Spracherkennung.
Parallel wurden MAI-Voice-2.1 und MAI-Voice-2.1-Flash angekündigt. Sie erzeugen gesprochene Antworten aus Text und unterstützen laut Microsoft 23 Sprachen. Die Sprachumwandlung in Text und die anschliessende Sprachausgabe sind unterschiedliche Aufgaben: Eine schnelle Stimme allein bedeutet noch nicht, dass ein Assistent eine Anfrage richtig bearbeitet.
Vorläufige Wörter brauchen eine passende Reaktion
Unsere Einordnung: Frühe Textteile eignen sich dazu, Informationen vorzubereiten. Eine verbindliche Handlung sollte sich auf eine ausreichend geklärte Anfrage stützen. Wenn ein System bereits auf den ersten Teil eines Satzes reagiert, muss es mit späteren Korrekturen umgehen können. Diese Empfehlung betrifft die Gestaltung des Ablaufs; sie ist kein gemessener Kundennutzen der neuen Modelle.
Ein Beispiel wäre eine Terminanfrage: «Ich möchte am Dienstag kommen, aber erst nach drei.» Ein Assistent könnte früh nach verfügbaren Dienstagen suchen. Die Uhrzeit sollte er erst nach dem vollständigen Wunsch festlegen. Ändert die anrufende Person anschliessend den Tag, braucht die Anwendung einen nachvollziehbaren Wechsel und eine korrekte Zusammenfassung vor der Buchung.
Ebenso wichtig ist der Unterschied zwischen Zuhören und Unterbrechen. Eine Anwendung kann im Hintergrund Informationen suchen, während jemand spricht. Daraus folgt nicht, dass sie sofort antworten sollte. Für einen eigenen Prototyp würden wir prüfen, ob Gesprächspausen, Ergänzungen und Korrekturen den vorgesehenen Ablauf beeinflussen.
Ein überschaubarer Einstieg für KMU
Als ersten Testfall würden wir eine klar begrenzte Aufgabe wählen, beispielsweise allgemeine Öffnungszeiten oder die Aufnahme eines Rückrufwunsches. Legen Sie vorher fest, welche Informationen der Assistent benötigt, was er beantworten darf und wann eine Person übernimmt. Das erleichtert die Bewertung eines Versuchs, ohne bereits einen ganzen Kundenservice zu automatisieren.
Für die Erprobung empfehlen wir Beispiele aus dem tatsächlichen Einsatz: Hintergrundgeräusche, undeutliche Firmennamen, wechselnde Sprachen und nachträglich geänderte Angaben. Prüfen Sie sowohl das Transkript als auch die daraus abgeleitete Antwort. Eine korrekt erkannte Aussage hilft wenig, wenn die nächste Aktion den falschen Termin oder Kontakt betrifft.
Eine einfache Auswertung könnte festhalten, welche Anfrage korrekt verstanden wurde, wo eine Rückfrage nötig war und ob eine falsche Aktion rechtzeitig verhindert wurde. Messen Sie auch die gesamte Zeit bis zur hilfreichen Antwort. Die Dauer der Transkription ist nur ein Teil eines Gesprächsablaufs mit Datenabfrage, Entscheidung und Sprachausgabe.
Vorschau und Schweizer Einsatz getrennt beurteilen
Microsoft beschreibt Zugänge über seine Entwicklerplattformen; die Transkriptionsdokumentation nennt eine Realtime-API und das Azure Speech SDK. Das SDK ist eine Programmbibliothek für die Anbindung. Für die Azure-Vorschau weist Microsoft auf mögliche Funktionsbeschränkungen und fehlende SLA hin. Die Ankündigung ersetzt deshalb keine Prüfung der Voraussetzungen für einen konkreten Einsatz.
Aus der Zahl der unterstützten Sprachen lässt sich keine belegte Qualität für Schweizerdeutsch ableiten. Auch eine Verarbeitung in der Schweiz ist für die ausgewählte Anwendung hier nicht bestätigt. Unsere Empfehlung ist, Dialekte und die tatsächliche Verarbeitungsregion vor einer Entscheidung gesondert zu prüfen. Herstelleraussagen zur Geschwindigkeit sind ebenfalls keine zugesicherte Antwortzeit für einen eigenen Kundenservice.
Für Alphalink liegt die praktische Entwicklungsaufgabe in der Verbindung von Sprache, verständlichen Rückfragen und begrenzten Aktionen. Ein sinnvoller Prototyp sollte zeigen, was erkannt wurde, Korrekturen zulassen und bei offenen Fragen eine klare Übergabe ermöglichen. Die neue Technik bietet Anlass für solche Tests; ob sie zum eigenen Prozess passt, lässt sich an konkreten Gesprächsfällen beurteilen.
Quellen
Microsoft AI: Our first streaming transcription model debuts at no. 1 on Artificial Analysis, 1. Oktober 2026.
Microsoft Learn: MAI-Transcribe-2-Streaming overview und MAI-Voice in Azure Speech. Technische Einordnung zur Ankündigung. Geprüft am 4. Oktober 2026.