7 月 24 日消息微软当地时间 7 月 23 日宣布推出两款新的自研 AI 模型分别为 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash目前均已进入公开预览阶段。两款模型属于微软 AI 团队自研模型系列分别面向高质量图像生成与高并发语音交互场景。微软表示过去一年公司开始开发基于内部训练流程的专用模型目标是使用经过清理、可追踪、企业级的数据进行训练不依赖第三方模型蒸馏并从底层设计以服务微软产品用户。MAI-Image-2.5-Pro 是微软目前精度最高的图像模型主要面向对图像质量要求较高的应用场景包括主视觉图片生成、细节编辑以及图像内文字渲染等功能。微软称该模型在图像中文字生成准确性方面进行了优化并支持自然语言编辑指令用户可以通过文字描述调整生成内容。该模型公开预览价格为文本输入每 100 万个 Token 收费 5 美元现汇率约合 33.9 元人民币图像输入每 100 万个 Token 收费 8 美元现汇率约合 54.3 元人民币图像输出每 100 万个 Token 收费 106 美元IT之家注现汇率约合 718.8 元人民币。另一款模型 MAI-Voice-2-Flash 则针对高频语音应用进行了优化。微软表示该模型相比 MAI-Voice-2 速度提升约 2 倍同时成本降低 32%能够在保持自然语调和较高语音质量的情况下为大规模语音服务提供更低延迟支持。MAI-Voice-2-Flash 的公开预览价格为每 100 万个字符 15 美元现汇率约合 101.7 元人民币。微软表示该模型适用于客服中心、语音助手等需要快速响应的场景。微软透露目前两款模型已经逐步应用于旗下多个产品。其中Bing Image Creator 已全面采用微软自研图像模型MAI-Image-2.5 成为其默认图像生成模型为用户提供图像生成和编辑能力。在 PowerPoint 中MAI-Image-2.5 已用于图像到图像编辑功能。微软称与 GPT-Image-2 相比该模型可降低最高 84% 的 GPU 成本。在 OneDrive 中MAI-Image-2.5 已成为部分图像编辑功能的默认模型。微软数据显示部署后相关场景保存成功率提升 26%P95 延迟降低约 25%在中等负载生产环境中的效率提升 2.5 倍。语音方面MAI-Voice-2-Flash 已接入 Dynamics 365 Contact Center用于企业客服智能体服务。微软表示该模型可降低最高 89% 的 GPU 成本并已应用于包括 T-Mobile、EasyJet 等客户的相关场景。此外微软还将 MAI-Voice-2-Flash 集成至 Azure Voice Live 服务开发者可以利用该模型构建支持语音到语音交互的智能体。微软还表示其自研模型正在与专业领域合作伙伴结合。例如MAI-Transcribe-1.5 已应用于医疗语音解决方案 Dragon Copilot该服务目前被 17 万名医疗服务提供者使用上季度处理了 2800 万次患者问诊记录。微软称MAI-Transcribe-1.5 支持 58 种语言在内部多语言录音测试中大多数语言的语音转录错误率和语言识别错误率均实现 50% 的相对下降早期研究显示其生成医疗记录的准确性也有所提升。微软表示MAI 系列模型将继续扩展并通过 Foundry 平台提供给开发者使用。公司同时透露微软 AI 团队下一代 GB200 计算集群目前已经投入运行并将继续推进后续模型研发。