微软发布三款自研AI模型 - 公司旗下Microsoft AI研究实验室推出三款基础AI模型，分别用于生成文本、语音和图像，均已登陆Microsoft Foundry平台，其中转录和语音模型已在MAI Playground开放使用[2] - 此次发布标志着公司在与OpenAI保持合作的同时，正积极构建自有的多模态AI模型体系，并计划与OpenAI、谷歌等前沿实验室在模型研发上直接竞争[2] MAI-Transcribe-1语音转录模型 - 该模型是本次发布的核心产品，专为复杂真实场景设计，支持全球使用量最高的25种语言的语音转文本[3] - 根据公司基准测试，该模型在全部25种语言上优于OpenAI的Whisper-large-v3，在22种语言上超过谷歌Gemini 3.1 Flash，在15种语言上分别领先于ElevenLabs的Scribe v2和OpenAI的GPT-Transcribe[3] - 模型采用基于Transformer的架构，支持MP3、WAV、FLAC格式，最大文件容量200MB，其批量转写速度是现有Azure Fast服务的2.5倍[5] - 在FLEURS多语言测试基准上，针对25种核心语言实现了最低的平均词错误率，仅为3.8%[5] - 公司已在Copilot语音模式和Microsoft Teams中测试该模型用于对话转写，计划迅速用自研模型替代第三方或旧版内部模型[5] - 模型定价起步为每小时0.36美元，低于谷歌和OpenAI的同类产品[8] MAI-Voice-1音频生成模型 - 该模型支持在1秒内生成60秒自然流畅的音频，GPU利用率极高，能生成细节丰富、情感饱满且保留说话人音色的语音[5] - Microsoft Foundry平台新增了安全创建自定义语音功能，仅需几秒音频即可完成，极大简化了开发者构建语音交互体验的流程[5] - 模型定价起步为每百万字符22美元[8] MAI-Image-2视频生成模型 - 该模型专为摄影师、设计师等视觉创作者打造，满足对自然光影、精准肤色与纹理的要求，并能在图像中生成清晰的文字[6] - 模型最初于3月19日在MAI Playground上线，在Arena.ai榜单上跻身前三模型系列，并大幅提升了Copilot上的图像生成性能与速度[6] - 根据实际生产流量数据，用户在Foundry和Copilot上的生成速度至少提升至原来的2倍，同时保持画质一致，该模型正在逐步向Bing和PowerPoint分批推送[6] - 模型定价为文本输入每百万tokens 5美元，图像输出每百万tokens 33美元[8] 模型研发效率与成本优势 - 研发这些模型的MAI Superintelligence团队由AI负责人Mustafa Suleyman牵头，于2025年11月组建，目标是实现“AI自给自足”[10] - Suleyman表示，实现同等效果所需的GPU资源仅为当前行业顶尖竞品的一半[10] - 语音模型由10人团队打造，图像团队同样不足10人，速度和效率的大幅提升主要源于模型架构和数据创新[11] - 公司采用极度扁平化的管理结构，团队工作模式类似初创公司，成员沉浸式协作[11][12] - 小团队和低GPU消耗意味着公司AI业务的利润结构与那些“烧钱”换取相似成绩的竞争对手将截然不同[11] 战略定位与未来规划 - Suleyman称公司现已跻身前三的AI实验室，仅次于OpenAI与Gemini[11] - 公司为AI业务构建“人文主义AI”理念品牌，强调以人为中心，并称其数据来源干净合规，与一些开源方案形成对比[12] - 2025年10月之前，公司受与OpenAI的原始协议限制，无法独立研发通用人工智能[14] - 2025年9月，双方重新谈判协议，新条款允许公司自研前沿模型，同时保留至2032年使用OpenAI所有模型的授权[14] - 公司已向OpenAI投资超130亿美元，合作关系至少持续至2032年，同时通过Foundry API提供Anthropic的Claude访问服务，定位为“平台中的平台”[14] - Suleyman的目标是在未来5年，为微软打造世界级模型，实现完全独立，并计划在所有模态上推出顶尖模型[15] - 公司已规划未来2至4年实现AI自给自足所需完成的全部目标及对应的算力布局路线[15] 发布背景与商业考量 - 此次发布恰逢公司股票迎来2008年金融危机以来表现最差的一个季度，投资者要求其证明数千亿美元的AI基础设施投入能转化为实际收入[8] - 这批定价极具竞争力且旨在降低公司自身销售成本的模型，正是应对上述压力的首个答卷[8]