导读：微软宣布其自研人工智能模型家族（MAI）新增两名成员——面向高保真图像生成的 MAI-Image-2.5-Pro 与主打速度规模的 MAI-Voice-2-Flash，双双进入公开预览阶段。这两款模型延续了微软“不依赖第三方蒸馏、全自研训练”的技术路线，目前已在 Bing、PowerPoint、OneDrive、Dynamics 365 等核心产品中规模化投产。
"MAI-Image-2.5-Pro 是生成式媒体工具领域的跨越式进步。除了卓越的图像质量，其在图内文字渲染精度上实现真正突破，并能理解自然语言编辑指令，显著提升创意迭代效率。微软已稳居生成式 AI 行业领跑者之列。”
——罗布·雷利（Rob Reilly），WPP 集团全球首席创意官
一年前，微软启动自研 AI 模型计划，旨在利用干净、可追溯的企业级数据进行训练，从底层设计之初便聚焦于服务真实用户。如今，这些模型不仅在各类评测中名列前茅，更在生产环境中稳定运行，为 Bing、PowerPoint、OneDrive、Dynamics 365 及 Azure 等产品矩阵提供高效支撑，服务于数百万用户。
推出两款全新模型变体
针对不同应用场景对画质、速度与成本的差异化需求，微软持续扩充模型家族，提供多样化选择：
MAI-Image-2.5-Pro
该模型现已进入公开预览阶段，专为极致画质场景打造。其在主视觉图像生成、精细化编辑及图内文字精准渲染方面表现卓越，是微软迄今为止保真度最高的图像模型。定价标准为：每百万文本输入 token 5 美元，每百万图像输入 token 8 美元，每百万图像输出 token 106 美元。
MAI-Voice-2-Flash
该模型同样进入公开预览阶段，专为高并发语音场景设计。其在保持 MAI-Voice-2 自然语调与高品质音效的同时，推理速度提升 2 倍，成本降低 32%，定价为每百万字符 15 美元，是响应速度关键型应用的理想选择。
两款新模型将与现有生产级模型并行提供服务，助力开发者在质量、速度与成本之间找到最佳平衡点。
专为微软生态打造的深度集成
相比评测榜单，真实产品场景的表现更具说服力。MAI 系列模型经过严格评估，已在质量、延迟与效率三个维度全面超越竞品，并深度集成至微软核心产品中：
Bing 图像创作工具实现 100% 自研化
借助 MAI-Image-2.5 的精准编辑能力，该模型已成为 Bing Image Creator 端到端的默认底层模型，显著提升了生成质量与创作可控性。
PowerPoint 新增图像生成与编辑能力
MAI-Image-2.5 已应用于 PowerPoint 的图生图功能。相较于 GPT-Image-2，其 GPU 成本最高降低了 84%。
OneDrive 图像编辑性能跃升
作为 OneDrive 核心生产环境的默认图像编辑模型，MAI-Image-2.5 将保存成功率提升 26%，P95 延迟降低约 25%，并在中等负载下带来 2.5 倍的效率提升。
呼叫中心语音场景降本增效
MAI-Voice-2-Flash 为 Dynamics 365 Contact Center 提供底层支持，服务于 T-Mobile、易捷航空等企业客户。该模型在提供极具表现力的自然语音效果同时，将 GPU 成本最高降低 89%。
Azure Voice Live 集成实时交互能力
开发者可在 Voice Live 平台基于 MAI-Voice-2-Flash 快速构建支持语音到语音实时交互的高质量智能体，兼具低延迟与自然生动的语音表现。
上述升级均指向同一目标：让微软产品由自研模型驱动，切实服务于每一位用户。
携手领域专家共建专业模型
面对医疗、软件工程等高门槛专业领域，通用模型难以满足需求。微软正与专业机构深度合作，针对特定场景打磨模型能力：
赋能 Dragon Copilot 医疗工作流
MAI 正与已被 17 万名医疗从业者使用的 Dragon Copilot 展开合作。MAI-Transcribe-1.5 已支持其多语言工作流，覆盖 58 种语言。内部评测显示，该模型在多数语言场景下的转录错误率与语种识别错误率相对降幅达 50%，并在提升医疗病历记录准确性方面展现出巨大潜力。
坚持自研模型并非终点，而是为了让技术围绕真实用户需求持续进化，为客户提供更多选择与更高性价比。从 Foundry 体验、Microsoft Learn 文档到 MAI Playground 试用，微软正逐步兑现“由 MAI 驱动”的承诺。
