Was ist die Voice Live API?
Die Voice Live API ist eine Lösung für Speech-to-Speech-Interaktionen mit geringer Latenz und hoher Qualität für Sprach-Agenten. Sie richtet sich an Entwicklungsteams, die skalierbare, sprachgetriebene Erfahrungen bauen möchten, ohne mehrere Komponenten manuell orchestrieren zu müssen. Spracherkennung, generative KI und Sprachsynthese sind in einer einheitlichen Schnittstelle zusammengefasst.
Der Dienst ist vollständig verwaltet: Sie kümmern sich weder um Backend-Orchestrierung noch um die Integration der Einzelkomponenten. Entwicklerinnen und Entwickler liefern Audio-Eingaben und erhalten Audio-Ausgabe, Avatar-Darstellung und Aktionsauslöser zurück, jeweils mit minimaler Latenz. Auch generative Modelle müssen Sie nicht selbst bereitstellen, da die API die zugrunde liegende Infrastruktur übernimmt.
Die API ist auf Kompatibilität mit der Azure OpenAI Realtime API ausgelegt. Die unterstützten Echtzeit-Events entsprechen weitgehend denen der Azure OpenAI Realtime API. Funktionen, die nur in der Voice Live API existieren, sind optional und additiv: Sie können Azure-Speech-Fähigkeiten wie Rauschunterdrückung, Echo-Unterdrückung und erweiterte Erkennung des Sprecherwechsels ergänzen, ohne Ihre bestehende Architektur zu ändern. Die Anbindung erfolgt über WebSocket-Events und eignet sich damit für eine Server-zu-Server-Integration.
Kernfunktionen
- Breite Sprachabdeckung: über 140 Locales für Speech-to-Text und über 600 Standardstimmen in mehr als 150 Locales für Text-to-Speech
- Anpassbare Ein- und Ausgabe über Phrase List, Custom Speech und Custom Voice
- Flexible Modellauswahl von GPT-Realtime über GPT-4.1 und die GPT-5-Familie bis zu Phi-Modellen
- Konversationsfunktionen: Rauschunterdrückung, Echo-Unterdrückung, robuste Unterbrechungserkennung und erweiterte Erkennung des Sprecherwechsels
- Avatar-Integration mit Standard- oder anpassbaren Avataren, synchronisiert zur Audioausgabe
- Function Calling für externe Aktionen, Tool-Nutzung und geerdete Antworten nach dem VoiceRAG-Muster
- Data-Zone-Modelle, bei denen Prompts und Antworten in der Data Zone der Ressourcenregion bleiben
- Bring Your Own Model (BYOM) für nicht vorab bereitgestellte Modelle
Typische Anwendungsfälle
Contact Center
Interaktive Sprachbots übernehmen Kundenanliegen, führen durch Produktkataloge und ermöglichen Self-Service, ohne dass ein eigener Orchestrator gebaut werden muss.
Assistenten im Fahrzeug
Freihändige Sprachassistenten führen Befehle aus, unterstützen bei der Navigation und beantworten allgemeine Anfragen.
Bildung
Sprachgesteuerte Lernbegleiter und virtuelle Tutoren ermöglichen interaktives Training und Unterricht.
Öffentliche Verwaltung
Sprach-Agenten unterstützen Bürgerinnen und Bürger bei Verwaltungsanfragen und Auskünften zu öffentlichen Leistungen.
Human Resources
Sprachgestützte Werkzeuge begleiten HR-Prozesse, etwa Mitarbeiterbetreuung, Personalentwicklung und Schulungen.
Vorteile
- Eine Schnittstelle statt Orchestrierung aus Spracherkennung, LLM und Sprachsynthese
- Geringere wahrgenommene Latenz für Endnutzer und geringerer Entwicklungsaufwand
- Konversationsqualität durch Rauschunterdrückung, Echo-Unterdrückung und Erkennung des Sprecherwechsels
- Wahlfreiheit beim Modell entlang von Intelligenz, Geschwindigkeit und Kosten
- Markenkonforme Ausgabe über Custom Voice und Avatare
- Kompatibilität zur Azure OpenAI Realtime API erleichtert die Migration bestehender Anwendungen
Integration mit innFactory
Als Microsoft Solutions Partner unterstützt innFactory Sie bei der Umsetzung von Sprach-Agenten mit der Voice Live API: Modellauswahl entlang Ihrer Anforderungen an Latenz, Qualität und Kosten, Integration über WebSocket, Anbindung von Tools per Function Calling sowie Aufbau geerdeter Antworten nach dem VoiceRAG-Muster.
Wie wir KI-Anwendungen auf Azure produktionsreif machen, beschreiben wir in den Beiträgen CompanyGPT Cloud-Stack auf Azure und CompanyGPT mit Microsoft Foundry, Agenten und Bedrock. Kontaktieren Sie uns für eine unverbindliche Beratung.
Typische Anwendungsfälle
Technische Spezifikationen
Häufig gestellte Fragen
Was leistet die Voice Live API?
Die Voice Live API ermöglicht Speech-to-Speech-Interaktionen mit geringer Latenz für Sprach-Agenten. Spracherkennung, generative KI und Sprachsynthese sind in einer Schnittstelle zusammengefasst, sodass Sie keine einzelnen Komponenten orchestrieren müssen. Der Dienst ist vollständig verwaltet: Sie liefern Audio und erhalten Audio, Avatar-Ausgabe und Aktionsauslöser zurück.
Welche Modelle stehen zur Verfügung?
Microsoft listet unter anderem gpt-realtime, gpt-realtime-1.5, gpt-realtime-mini, GPT-4o und GPT-4o mini, GPT-4.1 in mehreren Größen, die GPT-5-Familie sowie azure-realtime. Die Modelle phi4-mm-realtime und phi4-mini sind in der Modelltabelle als Preview gekennzeichnet. Alle nativ unterstützten Modelle sind vollständig verwaltet, ein eigenes Deployment ist nicht erforderlich.
Wie wird die Voice Live API abgerechnet?
Die Preisgestaltung ist nach dem genutzten generativen Modell in die Kategorien Voice Live pro, basic und lite gestaffelt. Sie wählen keine Kategorie aus, sondern ein Modell, woraus sich der Preis ergibt. Custom Speech, Custom Voice und Custom Avatar werden für Training und Hosting separat abgerechnet. Microsoft gibt an, dass die Preise für die Voice Live API zum 1. Juli 2025 in Kraft treten.
Wie viele Sprachen und Stimmen werden unterstützt?
Microsoft nennt über 140 Locales für Speech-to-Text sowie über 600 Standardstimmen in mehr als 150 Locales für Text-to-Speech.
Bleiben Daten in der EU?
Für die Modelle gpt-realtime-datazone und gpt-realtime-1.5-datazone gilt laut Microsoft Data-Zone-Standard-Verarbeitung: Prompts und Antworten bleiben innerhalb der Data Zone, die der Region der Ressource zugeordnet ist. Verbindliche Angaben zu Regionen entnehmen Sie der Regionsliste des Azure Speech Service.
Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von Azure (offizielle Dokumentation). Diese Seite stellt kein Angebot von Azure dar.
