TANO — AI Voice Agent

Blog

98,9 im Test. 57,5 im echten Job.

Microsoft hat sein erstes Speech-to-Speech-Modell veröffentlicht, gebaut für Contact Center. Die eigenen Diagramme zeigen etwas Nützlicheres als die Schlagzeile: wo Sprach-KI schon trägt und wo die eigentliche Arbeit anfängt.

Italiano · English · Español · Deutsch · Français

98,9. Diesen Wert meldet Microsoft für MAI Realtime 1 bei Big Bench Audio, einem Test, in dem ein Sprachmodell gesprochene Denkaufgaben beantworten muss. Es ist der höchste Wert im Diagramm, das Microsoft am Dienstag veröffentlicht hat. Ein Stück weiter unten auf derselben Seite steht eine zweite Zahl: 57,5. So viel Prozent der Kundenservice-Aufgaben schließt dasselbe Modell bei τ-Voice ab, einem Test, bei dem Verstehen allein nicht reicht. Das Anliegen muss am Ende erledigt sein.

Dasselbe Modell, dieselbe Seite. Nebeneinander sagen die beiden Zahlen mehr über den Stand der Sprach-KI als jeder Werbeslogan. Wer am Telefon verkauft, findet darin die nützlichste Nachricht dieser Woche.

Was Microsoft vorgestellt hat

Am 17. November hat Microsoft AI auf der Ignite sieben neue Modelle angekündigt. Nur eines betrifft das Telefon, und es ist das erste dieser Art, das Microsoft selbst entwickelt hat: MAI Realtime 1, ein Speech-to-Speech-Modell. Es hört dem Anrufer zu und antwortet direkt mit Stimme, ohne den Umweg über einen geschriebenen Text. Google und OpenAI haben so etwas schon länger. Jetzt zieht Microsoft nach.

Das Modell arbeitet auf zwei Ebenen. Eine schnelle Schicht hält das Gespräch in Echtzeit am Laufen. Wird eine Anfrage kompliziert, zieht sie eine stärkere Reasoning-Engine hinzu, laut Microsoft ohne peinliche Pausen. Die Zeit bis zum ersten Ton, also bis die Antwort beginnt, liegt im Median bei 880 Millisekunden. Unter einer Sekunde.

Microsoft sagt auch klar, wo das Modell arbeiten soll: in Dynamics 365 Contact Center, dem eigenen Produkt für Callcenter, und in Dragon Copilot, wo es Patienten simuliert, damit Pflegekräfte Gespräche üben können. Als eines der ersten Unternehmen, die es testen, nennt Microsoft die Reiseplattform Agoda.

Wie es sich am Telefon verhält

Die Liste der Fähigkeiten ist kurz und zielt genau auf die Schwächen, die jeder kennt, der schon mit einer automatischen Hotline gerungen hat. Das Modell kommt mit Unterbrechungen klar. Es versteht die kleinen „mhm“ und „okay“, die man einwirft, während der andere spricht, und hält sie nicht für eine Antwort. Es wartet, bis jemand ausgeredet hat. Es versteht das Anliegen auch bei Hintergrundlärm oder wenn nebenan andere reden. Es lässt sich an Unternehmenssysteme anbinden, kann also handeln statt nur zu antworten. Und Rolle und Tonfall werden per Anweisung festgelegt, nicht durch monatelanges Training.

Auf der Modellseite gibt es sechs Beispielgespräche, jedes mit einer anderen Persönlichkeit. In einem ist es die Anmeldung einer Zahnarztpraxis: Es findet einen passenden Termin, hinterlässt der Dentalhygienikerin einen Hinweis auf das empfindliche Zahnfleisch des Patienten und bestätigt die Buchung. In einem anderen arbeitet es für einen Kreditkartenanbieter. Ist der Kunde abgelenkt, wiederholt es die Frage, soll es sich kurzfassen, tut es das, und bevor es das Konto schließt, fragt es noch einmal nach. In einem dritten bucht es einen Flug um, und weil der spätere Flug das Budget sprengt, findet es eine bessere Verbindung am nächsten Morgen.

Das sind Beispiele, die der Anbieter selbst ausgesucht hat, keine Frage. Aber sie zeigen den Punkt. Die Stimme ist nicht mehr das Problem. Ton und Geduld stimmen längst. Entscheidend ist jetzt, was während des Gesprächs passiert: die Notiz für den Kollegen, der Termin, der passen muss, die Rückfrage, bevor etwas geändert wird.

Die Zahlen

Microsoft hat zwei Diagramme veröffentlicht. Wir zeigen die Modelle der großen Labore. Das erste ist Big Bench Audio: gesprochene Denkaufgaben, gezählt werden die richtigen Antworten.

ModellBig Bench Audio
MAI Realtime 1 (Microsoft)98,9%
Gemini 3.8 Live Extended Thinking, High (Google)97,7%
Grok Voice 2.0 (xAI)97,2%
GPT-Realtime-2, High (OpenAI)96,6%
GPT-Realtime-2.1, High (OpenAI)95,8%
Gemini 3.8 Live (Google)91,7%
GPT-Live-1 Astra, medium (OpenAI)90,1%
GPT-Live-1 Sol, low (OpenAI)89,0%
GPT-Realtime-2.1 Mini, High (OpenAI)74,7%

Quelle: Microsoft AI, Modellseite MAI Realtime 1, Diagramm „Big Bench Audio score“, 17. November 2026. Werte der anderen Modelle gemessen von Artificial Analysis; MAI Realtime 1 aus Microsofts interner Auswertung. Höher ist besser.

Das zweite ist τ-Voice. Das Modell spielt einen Kundenservice-Mitarbeiter und muss echte Vorgänge abschließen, mit Regeln, die einzuhalten sind, und Systemen, die bedient werden müssen, während es mit einem simulierten Kunden spricht. Gezählt werden die korrekt erledigten Vorgänge.

Modellτ-Voice, erledigte Vorgänge
GPT-Live-1 Astra, medium (OpenAI)74,5%
Grok Voice 3.0 (xAI)71,6%
Gemini 3.8 Live Extended Thinking, High (Google)68,6%
GPT-Live-1 Sol, low (OpenAI)59,3%
MAI Realtime 1 (Microsoft)57,5%
Qwen Audio 3.0 Realtime Plus (Alibaba)54,6%
GPT-Realtime-2.1, High (OpenAI)45,7%
Qwen Audio 3.0 Realtime Flash (Alibaba)35,9%
Gemini 3.8 Live (Google)30,1%
GPT-Realtime-2.1 Mini, High (OpenAI)29,4%

Quelle: wie oben, Diagramm „τ-Voice task completion“. Nur Modelle, die gleichzeitig zuhören und sprechen. Das Originaldiagramm enthält zusätzlich Modelle von zwei spezialisierten Anbietern, die wir weglassen; einer davon führt diesen Test an. Höher ist besser.

Verstehen ist nicht Erledigen

Legt man die beiden Tabellen nebeneinander, sieht man das Interessanteste an der Ankündigung, auch wenn Microsoft es nicht hervorhebt. Bei Big Bench Audio liegen fast alle großen Modelle um oder über 90%. Eine gesprochene Frage verstehen und darüber nachdenken ist praktisch gelöst. Bei τ-Voice erreicht kein Modell der großen Labore 75%, und dieselben Namen verteilen sich zwischen 29 und 74,5.

MAI Realtime 1 ist das deutlichste Beispiel: Platz eins im ersten Test, Mittelfeld im zweiten. Gemini 3.8 Live kommt in der schnellen Version auf 91,7 im einen und 30,1 im anderen. Lässt man ihm mit Extended Thinking Zeit zum Nachdenken, steigt es auf 68,6.

Für den Telefonvertrieb ist das eine gute Nachricht, und eine praktische. Das, worüber man vor zwei Jahren noch gelacht hat, die KI, die nicht versteht, was man ihr sagt, funktioniert heute. Was noch sauber gemacht werden muss, ist etwas anderes. Der Agent braucht eine klare Aufgabe, die richtigen Systeme und feste Regeln dafür, was er allein tun darf und was er bestätigen lassen muss. Das ist Gesprächsdesign, keine Technik. Und das geht schon jetzt.

Das passende Modell für die Aufgabe

Die Tabellen lassen sich noch anders lesen, und diese Lesart ist die nützlichere: Kein Modell gewinnt alles. Wer beim gesprochenen Denken vorne liegt, schließt nicht die meisten Vorgänge ab, und die schnelle Version eines Modells kann sich ganz anders verhalten als die, die sich Zeit zum Nachdenken nimmt. Mit Microsoft bieten inzwischen mindestens fünf Labore ein ernstzunehmendes Sprachmodell an (Google, OpenAI, xAI, Alibaba und Microsoft), die meisten in mehreren Varianten.

Das verändert die Auswahl. Ein Anruf zur Terminbestätigung ist kurz und verlangt Tempo, also ein schnelles Modell, das niemanden warten lässt. Ein Anruf, der Daten prüfen, drei Termine vorschlagen und eine Notiz im CRM hinterlegen muss, braucht ein Modell, das Aufgaben zu Ende bringt, auch wenn es eine halbe Sekunde länger braucht. Dass MAI Realtime 1 mit der Realtime API von OpenAI kompatibel ist, hilft: Wer schon einen Agenten auf dieser Basis hat, kann es testen, ohne von vorn anzufangen.

Was die Ankündigung offenlässt

Drei Dinge, und das erste wiegt schwer.

Die Sprachen. Weder die Ankündigung noch die Modellseite sagt, welche Sprachen MAI Realtime 1 spricht. Andere Sprachmodelle von Microsoft decken viele ab, für dieses steht es nirgends, und alle veröffentlichten Beispiele sind auf Englisch. Solange Microsoft nichts dazu sagt, sollte man Deutsch nicht voraussetzen.

Wer gemessen hat. Die Werte der anderen Modelle stammen von Artificial Analysis, einem unabhängigen Benchmark-Anbieter. Die von MAI Realtime 1 aus Microsofts eigener Auswertung, und Microsoft schreibt selbst, dass die Ergebnisse vom Testaufbau abhängen und je nach Anwendung schwanken. Der Vergleich ist eine Orientierung, keine offizielle Rangliste.

Der Stand. Das Modell ist in der Vorschau. Man kann es in MAI Labs ausprobieren, mit Gesprächen von höchstens zwei Minuten und nur privat, oder sich für die Vorschau mit begrenztem Zugang in Foundry anmelden. Für den täglichen Einsatz am Telefon heißt es noch etwas warten.

Was Sie am Montag tun können

Nehmen Sie die Anrufe, die Ihr Unternehmen jede Woche führt, und teilen Sie sie in zwei Spalten. In die erste kommen die, bei denen gutes Verstehen und Antworten reicht: einen Termin bestätigen, an eine Frist erinnern, eine Auskunft geben. In die zweite die, nach denen etwas erledigt sein muss. Ein Termin im Kalender, ein aktualisierter Datensatz im CRM, eine Notiz für den Kollegen, der zum Kunden fährt.

Angenommen, Sie installieren Solaranlagen und führen 300 Anrufe pro Woche. Die Erinnerung an den Vor-Ort-Termin morgen gehört in Spalte eins. Der Anruf, der dem Techniker einen freien Dienstag sucht, die Dachart abfragt und alles ins CRM schreibt, gehört in Spalte zwei. Meist ist Spalte zwei die kürzere. Und die wertvollere.

Die erste Spalte ist für einen Sprachagenten schon sicheres Terrain, mit fast jedem Modell dieser Generation. In der zweiten zeigen sich die Unterschiede zwischen den Modellen, und zwischen einem durchdachten Agenten und einem, der schnell zusammengesteckt wurde. Schreiben Sie neben jeden Anruf der zweiten Spalte, welches System er berühren muss: Kalender, CRM, E-Mail. Mit dieser Liste beginnt jedes ernsthafte Projekt mit einem Sprachagenten, und Sie haben sie in einer Stunde.

Wir kümmern uns um zwei bestimmte Arten von Anrufen, und beide stehen in der zweiten Spalte: Kaltakquise, die Termine bringt, und die Reaktivierung von Leads, die eingeschlafen sind.

Quellen

Wollen Sie es an Ihren eigenen Anrufen hören? Wir bauen und betreiben den Agenten für Sie. Sie hören ihn in Ihrer Branche, geben frei, wie er spricht, und bekommen die Termine. → Gespräch buchen

Alle Beiträge →

Sprechen wir

Dreißig Minuten zu Ihrem Fall, keine Präsentation

Wir schauen, wie Sie heute arbeiten, lassen Sie den Agenten in Ihrer Branche hören und sagen Ihnen, ob es Sinn ergibt. Wenn nicht, sagen wir es Ihnen.

Falls der Kalender nicht lädt, öffnen Sie die Buchungsseite direkt.

Kalender öffnen