微软发布三款新AI模型，超越传统文本处理边界

微软正在将AI模型发展重点扩展到传统大语言模型之外。该公司在周四宣布，将发布三款全新的AI模型：全新的语音和文本转录模型，以及第二代自主研发的图像模型。

语音和文本转录模型突破

这些语音和文本转录模型是微软首次推出的同类产品。转录模型能够将录音内容翻译成25种不同语言的文字，专门为视频字幕生成、会议转录和语音智能体而设计。语音模型则可以创建长达60秒的音频录制内容。

图像生成能力全面升级

微软表示，其第二代图像模型在生成速度和真实感方面都有显著提升，相比上一版本有了明显改进。这些模型现已在微软的Foundry和MAI平台上线，未来计划将MAI-Image-2集成到Bing搜索和PowerPoint演示软件中。

战略布局多元化AI市场

这些新模型清晰地表明微软正在寻求扩大其在AI市场的产品线覆盖。微软的Copilot已成为企业用户最受欢迎的聊天机器人之一，特别是对于已经使用微软Office 365套件和Azure云服务的用户。除了现已过时的原始图像模型外，微软此前主要专注于基于文本的模型，努力在众多竞争对手中将自己定位为安全、企业友好的选择。其最新的AI工具Copilot Cowork和Copilot Health就是这一策略的证明。

传统科技巨头的资源优势

这些模型也提醒人们，微软作为传统科技公司，拥有足够的资金和计算资源来投入这些"支线任务"，这是即使像OpenAI这样价值数十亿美元的初创公司也无法始终承担的。上周，OpenAI确认将停止其Sora AI视频应用，声称将重新聚焦于核心业务。2026年的AI行业一直在努力证明其工具在工作场所的实用性，特别是在Anthropic的Claude Code超越竞争对手的情况下。

生成媒体的成本挑战

生成式媒体，比如驱动AI图像和视频生成的模型，需要大量的计算和能源资源来运行，这些资源本可以用于其他地方。谷歌作为另一家在AI研究上投入数十亿美元预算的传统科技公司，本周表示不会放弃生成式媒体，但将努力让模型更具成本效益和能效，正如其新推出的Veo 3.1 Lite视频模型所体现的那样。

Q&A

Q1：微软发布的三款新AI模型分别有什么功能？

A：微软发布了语音转录模型、文本转录模型和第二代图像模型。转录模型可以将录音转换为25种语言的文字，主要用于视频字幕、会议转录和语音智能体；语音模型能创建长达60秒的音频；图像模型在生成速度和真实感方面都有显著提升。

Q2：这些AI模型什么时候能用上？

A：这些模型现已在微软的Foundry和MAI平台上线提供服务。未来微软计划将MAI-Image-2图像模型集成到Bing搜索引擎和PowerPoint演示软件中，开发者可以查看相关定价信息。

Q3：为什么微软要开发这些非文本类的AI模型？

A：微软希望扩大在AI市场的产品覆盖范围，超越传统的大语言模型。作为传统科技巨头，微软拥有足够的资金和计算资源投入这些多样化的AI技术研发，这是许多初创公司无法承担的，有助于在激烈的AI竞争中保持优势地位。