Microsoft verfolgt im Modellbereich zwei Linien: die Phi-Familie kompakter Small Language Models (SLMs) für Edge-, On-Premise- und lokale Deployments sowie die MAI-Familie (Microsoft AI), vollständig hauseigene Modelle für Reasoning, Coding, Sprache und Bild, die über Microsoft Foundry bereitgestellt werden. Phi-Modelle stehen unter MIT-Lizenz und lassen sich vollständig selbst hosten; die MAI-Modelle sind proprietär und laufen derzeit als Global Standard in Foundry.
Aktuell maßgeblich sind Phi-4-reasoning-vision-15B und Phi-4 für lokale Deployments sowie MAI-Transcribe-2 (inklusive Streaming-Variante), MAI-Thinking-1, MAI-Code-1.1-Flash, MAI-Voice-2.1 und MAI-Image-2.6 in der Cloud. Als KI-Beratung aus Rosenheim ordnen wir sie für Unternehmen im DACH-Raum DSGVO-seitig ein. Stand dieser Übersicht: Oktober 2026.
Aktuelle Modelle im Überblick
MAI-Familie
| Modell | Typ | Release / Status | EU-Regionen laut Microsoft Learn | Hinweis |
|---|---|---|---|---|
| MAI-Transcribe-2 | Speech-to-Text | Preview, 3. September 2026 | North Europe | 60 Sprachen, 0,10 USD/h (befristet bis Ende 2026) |
| MAI-Transcribe-1.5 | Speech-to-Text | seit 2. Juni 2026 | North Europe | 43 Sprachen |
| MAI-Transcribe-2-Streaming | Speech-to-Text (Echtzeit) | Preview, Oktober 2026 | Sweden Central | Deutsch unterstützt, SDK und Realtime API |
| MAI-Voice-2.1 / -2.1-Flash | Text-to-Speech | Preview, Oktober 2026 | France Central, North Europe, Sweden Central, West Europe | 23 Sprachen, deutsche Stimmen Klaus, Mia, Grant und Harper |
| MAI-Image-2.6 / -2.6-Flash | Bildgenerierung | Preview, 31. Juli 2026 | Sweden Central, West Europe (Global Standard) | Nachfolger von 2.5, Prompts nur Englisch |
| MAI-Image-2.7 | Bildbearbeitung | Preview, 27. Oktober 2026 | nicht in Foundry (Arena, Artificial Analysis, MAI Playground) | Text-to-Image angekündigt |
| MAI-Thinking-1 | Reasoning-LLM | Preview, 2. Juni 2026 | alle EU-Regionen (Global Standard) | 256k Kontext, 64k Output |
| MAI-Code-1.1-Flash | Coding-Modell | GA in GitHub Copilot seit 11. August 2026 | GitHub Copilot; Foundry nur als Preview für Fine-Tuning (Global) | Bildeingabe, 256K Kontext |
Für die DSGVO-Bewertung ist der Deployment-Typ entscheidend: Die Speech-Modelle (Transcribe, Voice) verarbeiten regional in der gewählten Speech-Region. Die Foundry-Modelle MAI-Thinking-1 und MAI-Image laufen dagegen nur als Global Standard – die Inferenz kann in jeder Azure-Region stattfinden, eine EU Data Zone bietet Microsoft für die MAI-Modelle bislang nicht an. Das bestätigt die offizielle Region-Verfügbarkeitstabelle für „Foundry Models sold by Azure“: Llama- und MAI-Modelle erscheinen dort nur in der Global-Standard-Tabelle, nicht in der Data-Zone-Standard-Tabelle (die für GPT-, DeepSeek-, FLUX-, Mistral-, Cohere- und Grok-Modelle geführt wird).
MAI-Transcribe-2
MAI-Transcribe-2 (3. September 2026, Public Preview in Microsoft Foundry, MAI Playground und über OpenRouter) transkribiert 60 Sprachen, darunter Deutsch. Laut Microsoft liegt es auf dem FLEURS-Benchmark bei durchschnittlich 5,2 % Wortfehlerrate und nach Microsoft-Angaben auf Platz 2 des Artificial-Analysis-WER-Leaderboards; bei der Geschwindigkeit nennt Microsoft bis zu 10× schneller als OpenAI GPT-Transcribe, 7× schneller als ElevenLabs Scribe v2 und 5× schneller als Gemini 3.5 Transcribe. Der Preis liegt bei 0,10 USD pro Stunde Audio als befristetes Angebot bis Ende 2026 (MAI-Transcribe-1: 0,36 USD pro Stunde); Diarisierung, Word-Timestamps und Keyword-Biasing sind enthalten.
Funktionen: Speaker-Diarisierung, Word-Level-Timestamps, Keyword-Biasing über eine Phrasenliste, automatische Spracherkennung, Code-Switching innerhalb einer Äußerung, Rauschrobustheit und wählbarer Transkriptionsstil (verbatim mit Füllwörtern für Compliance und QA, clean für Protokolle und Untertitel). Aufgerufen wird das Modell über die Fast-Transcription-API von Azure Speech (enhancedMode.model = "MAI-Transcribe-2", Dateien bis 300 MB in WAV, MP3 oder FLAC) oder als Eingabe-Transkription in der Voice Live API.
EU-Einordnung: Laut Microsoft-Learn-Regionsliste ist das MAI-Transcribe-Modell in eastus, northeurope, southeastasia und westus verfügbar – in der EU also nur über North Europe (Irland). Azure Speech verarbeitet und speichert Daten ausschließlich in der Region der Speech-Ressource, sodass eine Speech-Ressource in North Europe die Verarbeitung auf die EU begrenzt. Ein Deployment in Germany West Central ist derzeit nicht möglich. Weil es sich um eine Preview ohne SLA handelt, empfehlen wir MAI-Transcribe-2 zunächst für Evaluierungen und nicht-kritische Workloads.
MAI-Transcribe-2-Streaming
MAI-Transcribe-2-Streaming ist die Echtzeit-Variante für Live-Audio: Die Anwendung sendet Audio als kontinuierlichen Stream und erhält laufend Zwischenergebnisse, die das aktuelle Transkript aktualisieren, sowie Endergebnisse, die jedes Segment bestätigen. Laut Microsoft Learn ist das Modell für Call-Center, Voice-Assistenten, Live-Untertitel, sprachgesteuerte Oberflächen und Echtzeit-Notizen gedacht. Es arbeitet standardmäßig im mehrsprachigen Modus mit automatischer Spracherkennung und unterstützt Deutsch. Angebunden wird es über das Azure Speech SDK oder über die Realtime API (OpenAI-Realtime-kompatibles WebSocket-Protokoll).
EU-Einordnung: Laut Microsoft Learn stellt Azure das Modell aus Sweden Central (EU), Central US, East US 2 und Southeast Asia bereit und routet Anfragen je Integrationsweg in diese Regionen. Für EU-Workloads kommt damit Sweden Central infrage; die Preview läuft ohne SLA und ist laut Microsoft nicht für Produktiv-Workloads empfohlen. Preise stehen auf der Azure-Speech-Preisseite.
MAI-Voice-2.1 und MAI-Voice-2.1-Flash
MAI-Voice-2.1 und MAI-Voice-2.1-Flash sind die aktuellen Text-to-Speech-Modelle der MAI-Familie (Public Preview) und in der Microsoft-Learn-Dokumentation an die Stelle von MAI-Voice-2 und MAI-Voice-2-Flash getreten. Beide unterstützen 23 Sprachen, Emotions- und Stilsteuerung per SSML (mstts:express-as) und Instant Voice Cloning aus 5 bis 60 Sekunden Referenzaudio, das nur nach Limited-Access-Freigabe und mit Einwilligung der Sprecher nutzbar ist. MAI-Voice-2.1-Flash zielt auf Echtzeit-Voice-Agents, Assistenten und IVR mit niedriger Latenz; MAI-Voice-2.1 auf hochwertige Long-Form-Inhalte wie Hörbücher, Podcasts, Lehrinhalte und Voice-overs mit Sprecherkonsistenz. Für Deutsch listet Microsoft Learn unter anderem die Stimmen de-DE-Klaus, de-DE-Mia, de-DE-Grant und de-DE-Harper.
EU-Einordnung: Die MAI-Voices sind laut Regionsliste unter anderem in France Central, North Europe, Sweden Central und West Europe verfügbar; Azure Speech verarbeitet Daten in der Region der Speech-Ressource. Ein Deployment in Germany West Central ist nicht gelistet. Preise stehen auf der Azure-Speech-Preisseite; die Vorgänger MAI-Voice-2 und MAI-Voice-2-Flash (2. Juni 2026) führt die aktuelle Dokumentation nicht mehr.
MAI-Thinking-1 und MAI-Code-1.1-Flash
Auf der Build 2026 (2. Juni 2026) hat Microsoft die ersten vollständig hauseigenen Foundation-Modelle vorgestellt – laut Microsoft trainiert ohne OpenAI-Distillation und ausschließlich auf kommerziell lizenzierten Daten. Das Coding-Modell dieser Runde, MAI-Code-1-Flash, ist inzwischen durch MAI-Code-1.1-Flash ersetzt.
- MAI-Thinking-1: Sparse Mixture-of-Experts mit 35B aktiven Parametern und 256k Kontextfenster (64k Output). Laut Microsoft 97,0 % AIME 2025, 94,5 % AIME 2026 und 52,8 % SWE-Bench Pro. In Microsoft Foundry als Public Preview über eine OpenAI-kompatible Chat-Completions-API (
/mai/v1) mit Function Calling und verschlüsselter Chain-of-Thought – ausschließlich als Global Standard (kein PTU); laut Regionsliste aus allen europäischen Foundry-Regionen inklusive Germany West Central deploybar, aber ohne EU Data Zone. - MAI-Code-1.1-Flash: seit 11. August 2026 allgemein verfügbar in GitHub Copilot, in Copilot Free und Student über die automatische Modellwahl, in Pro, Pro+, Max, Business und Enterprise auch manuell, unter anderem in VS Code, Visual Studio, JetBrains-IDEs und der Copilot CLI. Neu gegenüber dem Vorgänger ist die Bildeingabe. Laut Microsoft verbessert sich das Modell gegenüber MAI-Code-1-Flash um 22 % auf Terminal-Bench 2.1 in der Copilot CLI und um 15 % bei .NET-Aufgaben, streamt Token 25 % schneller, braucht 25 % weniger Token pro Aufgabe und kostet ein Viertel von MAI-Code-1-Flash. Der GitHub-Listenpreis liegt bei 0,20 USD pro 1 Million Input-Token und 1,20 USD für Output. Microsoft hat außerdem eine 3-Bit-quantisierte Version für den lokalen Betrieb mit vollem 256K-Kontext vorgestellt (empfohlen: mehr als 120 GB RAM). In Microsoft Foundry ist MAI-Code-1.1-Flash als Preview für Reinforcement Fine-Tuning gelistet, mit Training nur als Global und ohne Data Zone.
Beide Modelle sind nicht Open Source – wer volle Datenkontrolle braucht, bleibt bei Phi.
MAI-Image-2.6 und MAI-Image-2.7
MAI-Image-2.6 und MAI-Image-2.6-Flash (31. Juli 2026, weiterhin Preview) lösen MAI-Image-2.5 / -2.5-Flash ab. Laut Region-Verfügbarkeitstabelle sind beide in der EU nur über Sweden Central und West Europe deploybar, ausschließlich als Global Standard. Die Pro-Variante von MAI-Image-2.5 bleibt laut Modellkatalog gelistet.
MAI-Image-2.7 hat Microsoft am 27. Oktober 2026 als Preview vorgestellt, zunächst nur für Bildbearbeitung: Restyling und Relighting ganzer Szenen, Änderungen an Text und Symbolen im Bild sowie Restaurierung bestehender Bilder. Laut Microsoft verbessert sich das Modell gegenüber 2.6 in allen 10 Anwendungsfällen und 7 Bearbeitungsaktionen, die Artificial Analysis auswertet; Text-to-Image soll folgen. Testen lässt es sich bislang in Arena, bei Artificial Analysis und im MAI Playground. In Microsoft Foundry ist MAI-Image-2.7 noch nicht gelistet, für Unternehmensprojekte bleibt MAI-Image-2.6 damit das verfügbare Modell.
Phi-Familie
Phi sind Microsofts „Small Language Models“ – kompakt, effizient und unter MIT-Lizenz für die volle kommerzielle Nutzung und das Self-Hosting freigegeben (3,8B bis 15B Parameter, edge-fähig für Smartphones, IoT und Embedded).
Phi-4-reasoning-vision-15B (März 2026) kombiniert Vision und Reasoning in einem 15B-Modell und kann selbst entscheiden, wann tieferes Reasoning nötig ist. Es läuft auf einer RTX 4090 oder einem M2 Mac. Phi-4 (Dezember 2024, 14B) ist das Text-Modell mit Stärken in Mathematik, Logik, Coding und Chain-of-Thought.
| Modell | Parameter | Vergleichbare Leistung zu (laut Microsoft) |
|---|---|---|
| Phi-4 | 14B | GPT-4 (teilweise) |
| Phi-3.5-MoE | 42B (6,6B aktiv) | Llama 3 70B |
| Phi-3.5-mini | 3,8B | Llama 3 8B |
| Modell | RAM/VRAM | Empfohlene Hardware |
|---|---|---|
| Phi-4 | 16 GB | RTX 4070 / M2 Mac |
| Phi-3.5-MoE | 24 GB | RTX 4090 |
| Phi-3.5-mini | 4 GB | Laptop / Smartphone |
| Phi-3.5-vision | 8 GB | RTX 3060 |
Lokal laufen Phi-Modelle über Ollama (ollama run phi4), LM Studio, vLLM (Produktion) oder ONNX.
| Feature | Phi-4 | Llama 3.2 3B | Gemma 2 2B |
|---|---|---|---|
| Parameter | 14B | 3B | 2B |
| Reasoning | Stark | Mittel | Mittel |
| Coding | Stark | Gut | Gut |
| Vision | Ja (3.5) | Nein | Nein |
| Lizenz | MIT | Community | Apache 2.0 |
Verfügbarkeit in der EU und DSGVO
- Phi (Self-Hosting): MIT-Lizenz, keine Daten verlassen Ihre Infrastruktur – vollständige DSGVO-Kontrolle.
- MAI-Speech-Modelle: Verarbeitung in der Region der Speech-Ressource; EU über North Europe (Transcribe-2), Sweden Central (Transcribe-2-Streaming) bzw. France Central, North Europe, Sweden Central und West Europe (Voice-2.1).
- MAI-Thinking-1 und MAI-Image: nur Global Standard, keine EU-Data-Zone-Zusage.
- MAI-Code-1.1-Flash: Nutzung über GitHub Copilot; eine EU-Verarbeitungszusage ist für das Modell nicht dokumentiert, das Foundry-Fine-Tuning läuft nur als Global.
- Phi in Microsoft Foundry: Phi-4, Phi-4-mini, Phi-4-multimodal und Phi-4-reasoning laut Regionstabelle nur als Global Standard (deploybar u. a. aus Germany West Central), ohne Data Zone; für EU-Verarbeitung bleibt Self-Hosting der Weg.
Modell-Lebenszyklus
- MAI-Transcribe-1 ist seit dem 20. August 2026 deprecated; MAI-Transcribe-1.5 (43 Sprachen) bleibt verfügbar, MAI-Transcribe-2 ist der Nachfolger.
- MAI-Voice-2 / -2-Flash (2. Juni 2026) führt die aktuelle Microsoft-Learn-Dokumentation nicht mehr; MAI-Voice-2.1 und MAI-Voice-2.1-Flash sind die Nachfolger.
- MAI-Image-2.5 / -2.5-Flash wurden von MAI-Image-2.6 abgelöst; MAI-Image-2.7 läuft seit 27. Oktober 2026 als Preview außerhalb von Foundry.
- MAI-Code-1-Flash (2. Juni 2026) ist laut GitHub-Changelog seit dem 10. September 2026 in allen GitHub-Copilot-Oberflächen abgeschaltet; Nachfolger ist MAI-Code-1.1-Flash (11. August 2026).
- Die MAI-Modelle befinden sich überwiegend in der Preview ohne SLA.
Integration mit CompanyGPT
Microsoft Phi kann in CompanyGPT als Self-Hosted-Option integriert werden – ideal für Unternehmen, die KI ohne Cloud-Abhängigkeit betreiben möchten.
Unsere Empfehlung
Für Transkription im Microsoft-Stack ist MAI-Transcribe-2 erste Wahl für Evaluierungen: 60 Sprachen inklusive Deutsch, Diarisierung und Timestamps im Grundpreis von 0,10 USD pro Stunde, EU-Verarbeitung über eine Speech-Ressource in North Europe. Weil das Modell Public Preview ohne SLA ist, planen wir es für Produktiv-Workloads erst mit der GA ein; bis dahin bleiben GPT-Realtime-Whisper und Whisper beziehungsweise ElevenLabs Scribe die produktiven Alternativen. Für Live-Transkription lohnt der Test von MAI-Transcribe-2-Streaming in Sweden Central, ebenfalls als Preview. Für deutschsprachige Sprachausgabe lohnt der Test von MAI-Voice-2.1 (Stimmen Klaus, Mia, Grant und Harper) aus West Europe, France Central oder Sweden Central; für Voice-Agents mit niedriger Latenz die Flash-Variante.
Für Reasoning-intensive Cloud-Workloads auf Azure / Foundry ist MAI-Thinking-1 unsere Empfehlung im Microsoft-Stack – mit dem Vorbehalt, dass es nur als Global Standard läuft und damit keine EU-Verarbeitungszusage bietet. Für Coding-Assistenten in GitHub Copilot bietet MAI-Code-1.1-Flash ein gutes Preis-Leistungs-Verhältnis; in Copilot Business und Enterprise muss die Policy dafür aktiviert werden.
Für lokale und Edge-Deployments mit Vision- und Reasoning-Anforderungen empfehlen wir Phi-4-reasoning-vision-15B, für reine Text-Aufgaben Phi-4, für Smartphones und IoT Phi-3.5-mini und für einfachere multimodale Anwendungen Phi-3.5-vision. Für Anwendungen mit höchsten Qualitätsanforderungen und akzeptablem Cloud-Hosting empfehlen wir stattdessen OpenAI GPT oder Anthropic Claude.