整理｜華衛(wèi)

昨日，科技巨頭微軟旗下研究實驗室 Microsoft AI 宣布推出三款基礎(chǔ) AI 模型，可生成文本、語音和圖像。目前三款模型均已登陸 Microsoft Foundry，其中轉(zhuǎn)錄和語音模型也已在 MAI Playground 中開放使用。

此次發(fā)布標(biāo)志著微軟在仍與 OpenAI 保持合作的同時，持續(xù)推進(jìn)構(gòu)建自有多模態(tài) AI 模型體系，更計劃在模型研發(fā)上與 OpenAI、谷歌及其他前沿實驗室直接競爭。

正面硬剛 OpenAI 和谷歌，

更便宜還更強(qiáng)？

MAI-Transcribe-1 是本次發(fā)布的核心產(chǎn)品。據(jù)介紹，這款語音轉(zhuǎn)文本模型專為復(fù)雜、真實場景下的世界級轉(zhuǎn)錄質(zhì)量而設(shè)計，可將全球使用量最高的 25 種語言的語音轉(zhuǎn)錄為文本，說話人分離、上下文定向優(yōu)化與流式轉(zhuǎn)寫功能均標(biāo)注為 “即將推出”。根據(jù)微軟的基準(zhǔn)測試結(jié)果，該模型在全部 25 種語言上優(yōu)于 OpenAI 的 Whisper-large-v3，在 22 種語言上超過谷歌 Gemini 3.1 Flash，并分別在 15 種語言上領(lǐng)先 ElevenLabs 的 Scribe v2 與 OpenAI 的 GPT-Transcribe。

該模型采用基于 Transformer 的文本解碼器與雙向音頻編碼器，支持 MP3、WAV、FLAC 格式文件，最大容量 200MB。微軟表示，其批量轉(zhuǎn)寫速度是現(xiàn)有 Azure Fast 服務(wù)的 2.5 倍。在行業(yè)標(biāo)準(zhǔn)多語言測試基準(zhǔn) FLEURS 上，該模型針對微軟產(chǎn)品使用量最高的 25 種語言，實現(xiàn)了最低的平均詞錯誤率，僅為 3.8%。微軟已在 Copilot 語音模式和 Microsoft Teams 中測試 MAI-Transcribe-1 用于對話轉(zhuǎn)寫，這一細(xì)節(jié)也凸顯出該公司正計劃迅速用自研模型替代第三方或舊版內(nèi)部模型。

MAI-Voice-1 是一款音頻生成模型，支持用戶在 1 秒內(nèi)生成 60 秒自然流暢的音頻，GPU 利用率極高。它能夠生成自然逼真的語音，細(xì)節(jié)豐富、情感飽滿且富有表現(xiàn)力，即使在長內(nèi)容中也能保留說話人的音色特征。并且，微軟在 Microsoft Foundry 中新增了安全創(chuàng)建自定義語音的功能，僅需幾秒音頻即可完成，能夠極大簡化開發(fā)者構(gòu)建語音交互體驗與智能語音助手的流程。

而 MAI-Image-2 為視頻生成模型，專為攝影師、設(shè)計師和視覺敘事創(chuàng)作者打造，滿足他們對自然光影、精準(zhǔn)膚色與紋理的要求，同時可在圖表、版式和視覺設(shè)計中生成清晰的畫面內(nèi)文字。最初，該模型于 3 月 19 日在全新大語言模型測試工具 MAI Playground 上線，在 Arena.ai 榜單上躋身前三模型系列后，進(jìn)一步大幅提升了 Copilot 上的圖像生成性能與速度。根據(jù)實際生產(chǎn)流量數(shù)據(jù)，用戶在 Foundry 和 Copilot 上的生成速度至少提升至原來的 2 倍，同時畫質(zhì)保持一致。該模型也正在逐步向 Bing 和 PowerPoint 分批推送。

微軟在博客中表示，在日益擁擠的 LLM 市場中，這些模型的一大賣點是定價低于谷歌和 OpenAI 的同類產(chǎn)品。MAI-Transcribe-1 定價起步為每小時 0.36 美元。MAI-Voice-1 起步價為每百萬字符 22 美元，MAI-Image-2 則為文本輸入每百萬 tokens 5 美元、圖像輸出每百萬 tokens 33 美元。

微軟此次發(fā)布恰逢其處境微妙之際。這家公司的股票剛迎來 2008 年金融危機(jī)以來表現(xiàn)最差的一個季度，投資者愈發(fā)要求微軟拿出證據(jù)，證明其數(shù)千億美元的 AI 基礎(chǔ)設(shè)施投入能夠轉(zhuǎn)化為實際收入。 這批定價極具競爭力、且旨在降低微軟自身銷售成本的模型，正是其應(yīng)對這一壓力的首個答卷。

不足 10 人研發(fā)，

GPU 用量僅為競品一半

這些模型由微軟 MAI Superintelligence 團(tuán)隊研發(fā)，同時也是團(tuán)隊打響的第一槍。該 AI 研究團(tuán)隊由微軟 AI 負(fù)責(zé)人 Mustafa Suleyman 牽頭，于 2025 年 11 月正式組建并公布，目標(biāo)是實現(xiàn)他所稱的 “AI 自給自足”。

在公開發(fā)布前的采訪中，Suleyman 表示：“我非常激動，我們首批推出的模型就已達(dá)到全球頂尖的轉(zhuǎn)寫水準(zhǔn)。不僅如此，我們實現(xiàn)同等效果所需的 GPU 資源僅為當(dāng)前行業(yè)頂尖競品的一半?！蓖瑫r，Suleyman 對其當(dāng)前的競爭地位信心十足：“我們現(xiàn)已躋身前三的 AI 實驗室，僅次于 OpenAI 與 Gemini。”

而 Suleyman 透露的最令人震驚的細(xì)節(jié)，是研發(fā)這些模型的團(tuán)隊規(guī)模之小。“語音模型由 10 個人打造，速度、效率與準(zhǔn)確率的大幅提升，絕大部分來自模型架構(gòu)和我們使用的數(shù)據(jù)。圖像團(tuán)隊同樣不足 10 人。一切都源于模型與數(shù)據(jù)層面的創(chuàng)新，最終實現(xiàn)了頂尖性能。” 他表示，“我的理念一直是：人員要少而精，充分放權(quán)。因此我們采用極度扁平化的管理結(jié)構(gòu)。”

與之形成對比的是 Meta，Suleyman 在采訪中將其策略形容為 “大量招人，而非打造高效團(tuán)隊”，據(jù)稱該公司為頂尖研究員開出的薪酬包高達(dá) 1 億至 2 億美元。其次，小團(tuán)隊就能產(chǎn)出頂尖成果，極大優(yōu)化了經(jīng)濟(jì)效益。如果微軟僅用 10 名工程師、競品一半的 GPU 資源，就能做出行業(yè)頂尖的轉(zhuǎn)寫模型，其 AI 業(yè)務(wù)的利潤結(jié)構(gòu)，將與那些燒錢換取相似基準(zhǔn)成績的公司截然不同。

當(dāng)被問及團(tuán)隊工作模式時，Suleyman 形容其環(huán)境更像初創(chuàng)公司的交易大廳，而非傳統(tǒng)的微軟工程部門?！皥F(tuán)隊成員圍坐在圓桌旁，不是傳統(tǒng)辦公桌，用筆記本電腦而非大屏顯示器。 他們?nèi)觳⒓鐓f(xié)作，沉浸式編碼，一個房間里有五六十人，從早到晚。”

此外，Suleyman 一直在為微軟的 AI 業(yè)務(wù)構(gòu)建一套名為 “人文主義 AI” 的理念品牌。他表示，“我認(rèn)為，人文主義超智能的初衷，是打造真正服務(wù)于人類的技術(shù)。人類將始終處于主導(dǎo)地位，技術(shù)也會始終與人類利益保持一致。”在模型發(fā)布的博客文章中，Suleyman 也寫道：“在 Microsoft AI，我們正在打造 Humanist AI。我們在創(chuàng)建 AI 模型時有獨(dú)特理念，以人為中心針對人類真實溝通方式進(jìn)行優(yōu)化，面向?qū)嶋H應(yīng)用進(jìn)行訓(xùn)練。很快，大家將在 Foundry 以及微軟各類產(chǎn)品和體驗中看到我們推出更多模型。”

Suleyman 還強(qiáng)調(diào)數(shù)據(jù)來源是微軟的競爭優(yōu)勢，稱他曾與微軟 CEO Satya Nadella 討論，要打造 “數(shù)據(jù)來源干凈合規(guī)的模型體系”。他隱晦地與開源方案做對比，指出 “很多開源模型的訓(xùn)練數(shù)據(jù)來源可以說并不合規(guī)，這可能存在安全隱患。”

與 OpenAI 重新談判，

微軟計劃實現(xiàn) “完全獨(dú)立”

要理解這批模型的重要性，就必須看清促成這一切的協(xié)議層面重大轉(zhuǎn)變。盡管推出了自有模型，Suleyman 在接受外媒采訪時重申，微軟仍將繼續(xù)履行與 OpenAI 的合作承諾。不過他也透露，近期雙方對合作關(guān)系的重新談判，為微軟真正開展超智能研究掃清了障礙。

2025 年 10 月之前，微軟受合同限制，無法獨(dú)立研發(fā)通用人工智能。2019 年與 OpenAI 簽署的原始協(xié)議中，微軟獲得 OpenAI 模型授權(quán)，作為交換為其搭建所需云基礎(chǔ)設(shè)施。但當(dāng) OpenAI 試圖將算力合作拓展至微軟之外，與軟銀等方達(dá)成合作時，微軟重啟了協(xié)議談判。正如 Suleyman 在 2025 年 12 月接受外媒采訪時所述，修訂后的協(xié)議意味著 “就在幾周前，微軟還因合同條款，被禁止獨(dú)立研發(fā)通用人工智能或超智能模型”。新條款讓微軟得以自研前沿模型，同時保留至 2032 年使用 OpenAI 所有模型的授權(quán)。

Suleyman 也在最新采訪中直言不諱地描述了這一變化。“去年 9 月，我們重新談判了與 OpenAI 的協(xié)議，這讓我們能夠獨(dú)立推進(jìn)自研超智能模型。” 他表示，“自那之后，我們開始整合算力、組建團(tuán)隊，并采購所需數(shù)據(jù)。”

同時，他迅速強(qiáng)調(diào)，與 OpenAI 的合作關(guān)系保持不變。 Suleyman 稱，“與 OpenAI 的合作不會有任何改變，我們至少會合作至 2032 年，希望能更久。他們一直是我們極為出色的合作伙伴?！?目前，微軟已向該 AI 研究實驗室（OpenAI）投資超 130 億美元，并通過一項多年期合作協(xié)議，將其模型集成到微軟各類產(chǎn)品中。他還提到，微軟通過 Foundry API 提供 Anthropic 的 Claude 訪問服務(wù)，將自身定位為 “平臺中的平臺”。

但 Suleyman 的潛臺詞顯而易見：微軟正在構(gòu)建獨(dú)立發(fā)展的能力。據(jù)外媒報道，Suleyman 今年 3 月在一份內(nèi)部備忘錄中寫道，他的目標(biāo)是 “未來 5 年，將全部精力投入超智能項目，為微軟打造世界級模型”。這一架構(gòu)調(diào)整讓 Suleyman 從 Copilot 日常產(chǎn)品工作中脫身，前 Snap 高管 Jacob Andreou 接任執(zhí)行副總裁，負(fù)責(zé)整合后的消費(fèi)及商用 Copilot 體驗業(yè)務(wù)。

Suleyman 在采訪中明確表示，語音轉(zhuǎn)寫、語音與圖像生成只是開端。當(dāng)被問及微軟是否會打造可與 GPT 正面競爭的前沿大語言模型時，他態(tài)度毫不含糊：“我們必將在所有模態(tài)上推出頂尖模型。我們的目標(biāo)是：一旦微軟有需要，就能以最高效率、最低價格提供世界一流技術(shù)，并實現(xiàn)完全獨(dú)立?！?/p>

據(jù)悉，Suleyman 接受采訪之時，整個團(tuán)隊正齊聚此地開展為期一周的常規(guī)線下集中會議，Nadella 也專程到場。Suleyman 還透露了多年路線圖，包括 “搭建合適規(guī)模的 GPU 集群”，規(guī)劃 “未來 2 至 4 年實現(xiàn) AI 自給自足所需完成的全部目標(biāo)，以及對應(yīng)的算力布局路線”。

https://microsoft.ai/news/today-were-announcing-3-new-world-class-mai-models-available-in-foundry/

https://venturebeat.com/technology/microsoft-launches-3-new-ai-models-in-direct-shot-at-openai-and-google

聲明：本文為 AI 前線整理，不代表平臺觀點，未經(jīng)許可禁止轉(zhuǎn)載。

會議推薦

QCon 全球軟件開發(fā)大會·2026 北京站將于 4 月 16 日 -18 日正式舉辦。本屆大會以“Agentic AI 時代的軟件工程重塑”為主題，聚焦 100+ 重磅議題，匯聚來自阿里、騰訊、字節(jié)跳動、小米、百度等一線科技企業(yè)與創(chuàng)新團(tuán)隊的技術(shù)專家，圍繞 AI 工程化、系統(tǒng)架構(gòu)與研發(fā)模式演進(jìn)展開深入探討。更多詳情可掃碼或聯(lián)系票務(wù)經(jīng)理 18514549229 進(jìn)行咨詢。

今日薦文

你也「在看」嗎？