微软发布三款高速图像语音AI模型

微软公司今日推出三款专为处理图像和音频优化的人工智能模型。

这些算法通过微软Foundry Azure服务提供，开发者可用其构建AI应用。同时，微软已开始在多个产品中部署这些模型。

MAI-Image-2图像生成突破

首个新算法MAI-Image-2能根据用户指令生成最高1024×1024像素的图像。每个提示最多可包含32,000个Token的文本内容。在技术底层，MAI-Image-2使用100亿至500亿个非嵌入参数将指令转换为图像。非嵌入参数是专注于内容生成而非初步数据准备任务的模型组件。

微软表示，MAI-Image-2的速度至少比上一代图像生成器快两倍。

MAI-Transcribe-1语音转录优势

今日发布的第二个新模型MAI-Transcribe-1同样带来显著的速度提升，语音转录速度比微软早期模型快2.5倍。

MAI-Transcribe-1的另一个卖点是准确性。微软在25种语言中测试了该模型的平均词错误率，这是衡量转录质量的指标。MAI-Transcribe-1的错误率为3.9%，超越了Gemini 3.1 Flash和OpenAI的GPT-Transcribe。该模型准确性的一个重要因素是包含了过滤环境噪音的功能。

发布时，MAI-Transcribe-1支持批量转录，意味着该模型只能处理预先准备的文件，如有声读物。微软表示，未来更新将增加实时音频流转录功能。公司还在开发所谓的说话人分离功能，可将转录文本按说话人分割成特定段落。

MAI-Voice-1语音合成创新

微软今日推出的第三个模型名为MAI-Voice-1。顾名思义，它专为根据用户提供的脚本生成合成语音而优化。客户可从内置AI语音中选择，或使用自己的声音。

微软表示，这三款模型相比竞争对手都提供有竞争力的价格。MAI-Image-2定价为每100万输入Token5美元，每100万输出Token33美元。MAI-Transcribe-1每小时转录语音成本0.36美元，而MAI-Voice-1起价为每100万字符22美元。

这些模型不仅通过微软Foundry提供，还可通过其他几个服务获得。微软目前正在将MAI-Image-2部署到Bing和PowerPoint，而MAI-Voice-1可在名为Copilot Audio Expressions的音频创建工具中使用。

为支持AI工作负载，微软开发了名为MAIA的定制AI芯片产品线。该系列的最新成员是专为推理优化的Maia 200，于1月下旬首次亮相。微软表示，这款三纳米芯片在多个基准测试中超越了竞争云服务提供商的定制AI芯片。

Q&A

Q1：MAI-Image-2图像生成模型有什么特点？

A：MAI-Image-2能根据用户指令生成最高1024×1024像素的图像，每个提示最多可包含32,000个Token的文本。使用100亿至500亿个非嵌入参数进行图像生成，速度至少比上一代图像生成器快两倍。

Q2：MAI-Transcribe-1语音转录准确率如何？

A：MAI-Transcribe-1在25种语言测试中平均词错误率仅为3.9%，超越了Gemini 3.1 Flash和OpenAI的GPT-Transcribe。转录速度比微软早期模型快2.5倍，并具备环境噪音过滤功能。

Q3：微软这三款AI模型的价格是多少？

A：MAI-Image-2定价为每100万输入Token5美元，输出Token33美元。MAI-Transcribe-1每小时转录成本0.36美元。MAI-Voice-1起价为每100万字符22美元。微软表示价格相比竞争对手具有竞争力。