微软AI研究实验室于周四宣布发布三款基础AI模型，涵盖文本、语音及图像生成能力。
此次发布标志着微软持续推进自研多模态AI模型栈建设，在保持与OpenAI合作的同时，积极提升自身技术竞争力。
三款核心模型详解
- MAI-Transcribe-1：支持25种语言语音转文本，速度达Azure Fast产品的2.5倍；
- MAI-Voice-1：音频生成模型，支持1秒内生成60秒音频及自定义声音创建；
- MAI-Image-2：视频生成模型，最初于3月19日上线MAI Playground测试平台。
目前，三款模型均已登陆Microsoft Foundry平台，其中转录与语音模型同步支持MAI Playground使用。
团队背景与理念
上述模型由微软MAI超级智能团队开发。该团队成立于2025年11月，由微软AI首席执行官Mustafa Suleyman领导。
Suleyman在博文中表示：“微软AI致力于构建以人为本的‘人文主义AI’。我们优化人类实际沟通方式，聚焦真实应用场景。用户很快将在Foundry及微软产品体验中见证更多成果。”
定价策略与市场定位
面对拥挤的大模型市场，MAI主打高性价比优势，定价低于Google和OpenAI同类产品：
- MAI-Transcribe-1：$0.36/小时起；
- MAI-Voice-1：$22/百万字符起；
- MAI-Image-2：文本输入$5/百万Token起，图像输出$33/百万Token起。
持续深化OpenAI合作
尽管推出自研模型，Suleyman在接受VentureBeat等媒体采访时重申了对OpenAI合作伙伴关系的承诺。微软已为该AI实验室投资超130亿美元，并通过多年协议将其模型深度集成至各类产品中。这种“自研+外部合作”的双轨策略同样体现在芯片领域：微软既研发自有芯片，也持续采购外部供应商产品。