Microsoft AI宣布推出三大核心人工智能模型：MAI-Transcribe-1、MAI-Voice-1和MAI-Image-2，分别具备文本生成、语音合成及图像创作能力。
MAI-Transcribe-1：高效多语言转录
该模型处理速度达Azure Fast服务的2.5倍，支持25种语言的语音转文本。专为背景噪音、低质录音及重叠对话等复杂场景设计，已在咖啡馆、办公室及音乐会等真实环境中通过测试。适用于字幕制作、播客转录、会议存档、呼叫中心分析等离线应用，以及实时会议转录、听写等低延迟在线任务，正逐步集成至Copilot语音模式及Microsoft Teams。
MAI-Voice-1：秒级语音生成
支持用户在一秒内生成60秒语音，并允许创建自定义声音。
MAI-Image-2：照片级真实感图像生成
在自然光照、肤色还原及环境逼真度方面实现突破，旨在减少后期制作耗时。同时优化了图像内文本生成能力，确保海报、信息图、幻灯片及图表等内容的一致性。
发布与定价
MAI-Image-2最初于3月19日作为MAI Playground基础大模型测试软件的一部分推出，目前三大模型均已上线Microsoft Foundry，转录与语音模型亦同步登陆MAI Playground。
定价方面，MAI-Transcribe-1起价为0.36美元/小时；MAI-Voice-1起价为22美元/百万字符；MAI-Image-2文本输入起价为5美元/百万token，图像输出起价为33美元/百万token。
研发团队与合作战略
上述模型由微软AI首席执行官Mustafa Suleyman领导的MAI Superintelligence团队开发。该AI研究团队成立于2025年11月。Suleyman表示，尽管微软推出了自研模型，仍致力于深化与OpenAI的合作关系，近期合作关系的重新谈判为超级智能研究的推进提供了关键支持。
继2025年10月发布硬件效率优异的推理模型Phi-4-reasoning-vision-15B后，微软因MAI-Image-1引发关注。此前，公司已于2025年8月推出MAI-Voice-1和MAI-1-preview模型。