Neue Bildbearbeitung und schnellere Sprachdialoge lassen sich in Azure jetzt mit zwei MAI-Varianten testen. Beide Angebote laufen jedoch als Preview. Für Teams ist das ein brauchbarer Startpunkt für einen begrenzten Versuch, nicht der Anlass, produktive Abläufe ungeprüft umzubauen.
Microsoft kündigte am 23. Juli MAI-Image-2.5-Pro für Microsoft Foundry und MAI-Voice-2-Flash für Azure Speech an. Damit erweitert das Unternehmen zwei unterschiedliche Bereiche seiner Modellfamilie: eine Variante für Bildgenerierung und Bildbearbeitung, eine andere für gesprochene Antworten in Dialogsystemen. Relevant wird der Start dort, wo Teams genau solche Aufgaben testen wollen. Ein allgemeiner Plattformwechsel folgt daraus nicht.
Das Wichtigste in 30 Sekunden
- MAI-Image-2.5-Pro steht in Microsoft Foundry als Preview für Text-zu-Bild und Bild-zu-Bild bereit.
- MAI-Voice-2-Flash ist die auf geringe Latenz ausgerichtete Sprachvariante für Azure Speech und Voice Live.
- Für MAI-Voice nennt Microsoft ausdrücklich Public Preview, keine SLA und keine Empfehlung für Produktionsworkloads.
- Die Preise beginnen laut Microsoft bei 5 US-Dollar je einer Million Text-Input-Token und 106 US-Dollar je einer Million Bild-Output-Token für Pro sowie bei 15 US-Dollar je einer Million Zeichen für Voice Flash.
- Microsofts Prozentwerte zu Kosten, Tempo oder Effizienz sind modell- und workload-spezifische Anbieterangaben, keine allgemein bestätigten Benchmarks.
Zwei Modelle, zwei Aufgaben
MAI-Image-2.5-Pro steht in Microsoft Foundry als Preview bereit. Sie verarbeitet Texte sowie JPEG- oder PNG-Dateien und liefert ein PNG-Bild zurück. Der Einsatzbereich reicht damit von einer neu erzeugten Illustration bis zu einer gezielten Veränderung eines vorhandenen Bildes. Microsoft beschreibt die Variante als Werkzeug für hochwertige Bildgenerierung, präzise Bildbearbeitung und fotorealistische Motive. Das ist eine Produktbeschreibung, keine unabhängige Rangliste gegenüber anderen Bildmodellen.
MAI-Voice-2-Flash gehört dagegen zur Sprachfamilie von Azure Speech. Microsoft richtet die Variante auf kurze Antwortzeiten aus, etwa für Sprachassistenten, IVR-Systeme und Contact-Center. Sie lässt sich nach der Dokumentation über Azure Speech, SSML, das Speech SDK und Voice Live anbinden. Die zweite Modelllinie, MAI-Voice-2, bleibt davon getrennt: Sie ist für Stimmidentität und längere oder besonders hochwertige Sprachwiedergabe vorgesehen. Flash ist also nicht bloß ein neuer Name für dieselbe Funktion.
Welches MAI-Modell passt zu welcher Aufgabe?
| Modell | Aufgabe und Zugang | Status, Abrechnung und harte Grenze |
|---|---|---|
| MAI-Image-2.5-Pro | Text-zu-Bild und Bild-zu-Bild in Microsoft Foundry | Preview; ab 5 US-Dollar je 1 Mio. Text-Input-Token und 106 US-Dollar je 1 Mio. Bild-Output-Token. Diese Einheiten sind nicht mit Sprachzeichen vergleichbar. |
| MAI-Voice-2-Flash | Latenzarme Text-zu-Sprache für Azure Speech und Voice Live | Public Preview; ab 15 US-Dollar je 1 Mio. Zeichen. Microsoft nennt keine SLA und rät noch von Produktionsworkloads ab. |
| MAI-Voice-2 | Hochwertigere, längere Sprachwiedergabe und Stimmidentität | Eigenes Qualitätsprofil; nicht als identische Flash-Variante behandeln. |
Der Unterschied zwischen den Einheiten ist praktisch relevant. Ein Bildmodell wird hier nach Text-Input- und Bild-Output-Token abgerechnet, die Sprachvariante nach erzeugten Zeichen. Daraus lässt sich keine faire Aussage ableiten, welches Modell „günstiger“ ist. Erst ein eigener Test mit der tatsächlichen Zahl an Bildern, Dialogen, Zeichen und Nachbearbeitungen zeigt, wie die Kosten im jeweiligen Prozess aussehen.
Preview ist kein Synonym für produktionsreif
Microsoft dokumentiert die MAI-Voice-Familie als Public Preview ohne Service-Level-Agreement und empfiehlt sie noch nicht für Produktionsworkloads. Diese Einschränkung betrifft mehr als eine Fußnote. Teams mit verbindlichen Reaktionszeiten, strengen Verfügbarkeitsvorgaben oder geregelten Rückfallprozessen sollten zuerst klären, ob sie einen Preview-Dienst überhaupt in einen Kundenprozess einbauen wollen.
Für MAI-Image-2.5-Pro weist die Foundry-Dokumentation ebenfalls den Status Preview aus. Daraus folgt weder eine allgemeine Verfügbarkeit noch eine Zusage für jede Azure-Region oder jeden Tenant. Gerade bei Bild- und Sprachdaten lohnt der Blick auf Datenweg, Region, Vertragslage und interne Freigaben, bevor ein Prototyp Daten aus einem realen Arbeitsablauf erhält.
Die Effizienzzahlen gehören zum jeweiligen Modell
Microsoft berichtet mehrere Kennzahlen. Sie können für einen Test interessant sein, sind aber eng gebunden. Die Angabe von bis zu 84 Prozent niedrigeren GPU-Kosten bezieht sich auf MAI-Image-2 im Vergleich zu GPT-Image-2, nicht auf MAI-Image-2.5-Pro. Aussagen zu Bing Image Creator, PowerPoint und OneDrive betreffen bestehende Einsätze von MAI-Image-2 oder MAI-Image-2.5; sie belegen keinen produktiven Einsatz der neuen Pro-Variante.
Auch die für Voice Flash gemeldeten Werte bleiben kontextabhängig. Microsoft berichtet für eine Contact-Center-Nutzung in Dynamics 365 von bis zu 89 Prozent niedrigeren GPU-Kosten. Microsoft berichtet für OneDrive unter mittlerer Auslastung von 26 Prozent höheren Save-Rates, rund 25 Prozent niedrigerer P95-Latenz und 2,5-facher Effizienz. Für Flash selbst werden ein bis zu doppelt so hohes Tempo und ein Preisunterschied von 32 Prozent gegenüber MAI-Voice-2 genannt. Das sind Hinweise für eine Messhypothese, keine Zusage für andere Daten, Lastprofile oder Kundensysteme.
Deutschland und Europa: Der Test beginnt mit dem eigenen Tenant
Die Azure-Dokumentation listet für Flash vorgefertigte deutsche Stimmen, darunter de-DE-Klaus und de-DE-Mia. Das hilft Teams, die deutsche Sprachdialoge ausprobieren wollen. Es ist jedoch keine Zusage, dass eine bestimmte Konfiguration in jeder EU-Region, in jedem Tenant oder unter jeder Compliance-Vorgabe verfügbar ist. Region und Vertrag müssen deshalb getrennt geprüft werden.
Ein Testangebot, keine pauschale Ablösung
Microsoft zeigt mit den beiden Varianten, dass die eigene MAI-Familie breiter wird: Bildbearbeitung und schnelle Sprachdialoge lassen sich nun gezielter in Foundry und Azure Speech erproben. Für Unternehmen ist die Frage aber nicht, ob Microsoft damit OpenAI allgemein ersetzt. Sie lautet, ob eine klar umrissene Aufgabe von der jeweiligen Variante profitiert und ob die Grenzen eines Preview-Dienstes zum eigenen Betrieb passen.
Wer die Modelle testet, sollte die Anbietertelemetrie als Ausgangspunkt nehmen und eigene Messungen danebenstellen. So lässt sich nachvollziehen, ob Qualität, Latenz und Kosten im konkreten Ablauf zusammenpassen. Genau diese Trennung verhindert, dass ein frischer Modellstart vorschnell zu einer Architekturentscheidung wird.
Quellen und weiterführende Informationen
- Microsoft Tech Community: Introducing MAI-Image-2.5 Pro and MAI-Voice-2 Flash in Microsoft Foundry
- Microsoft Learn: Foundry Models sold by Azure
- Microsoft Learn: What is MAI-Voice?
- Neowin: Microsoft expands its in-house AI push with new image and voice models
- Microsoft AI: Introducing MAI-Image-2.5-Pro and MAI-Voice-2-Flash
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-07-24
