微软最新模型 MAI-Image-2.5-Pro、MAI-Voice-2-Flash 发布：未蒸馏第三方产品，已落地

admin

AI 总结
• 微软当地时间7月23日宣布推出两款自研AI模型MAI-Image-2.5-Pro和MAI-Voice-2-Flash，均进入公开预览阶段，并强调不依赖第三方模型蒸馏。
• MAI-Image-2.5-Pro是微软目前精度最高的图像模型，支持文字生成与自然语言编辑，已落地Bing Image Creator、PowerPoint和OneDrive等场景，并称与GPT-Image-2相比可降低最高84%的GPU成本。
• MAI-Voice-2-Flash针对高频语音优化，速度提升约2倍、成本降低32%，已接入Dynamics 365 Contact Center及Azure Voice Live服务，应用于T-Mobile、EasyJet等客户场景。
• 微软还提及MAI-Transcribe-1.5已用于医疗语音方案Dragon Copilot，支持58种语言，上季度处理2800万次患者问诊记录，语音转录错误率下降50%。
• 微软表示MAI系列模型将继续扩展，下一代GB200计算集群已投入运行，并继续推进后续模型研发。

标题：微软最新模型 MAI-Image-2.5-Pro、MAI-Voice-2-Flash 发布：未蒸馏第三方产品，已落地 Bing 及 PowerPoint 等场景

IT之家 7 月 24 日消息，微软当地时间 7 月 23 日宣布推出两款新的自研 AI 模型，分别为 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，目前均已进入公开预览阶段。

两款模型属于微软 AI 团队自研模型系列，分别面向高质量图像生成与高并发语音交互场景。

                               
登录/注册后可看大图

【自研背景与数据训练】
微软表示，过去一年，公司开始开发基于内部训练流程的专用模型，目标是使用经过清理、可追踪、企业级的数据进行训练，不依赖第三方模型蒸馏，并从底层设计以服务微软产品用户。

【MAI-Image-2.5-Pro 图像模型】
MAI-Image-2.5-Pro 是微软目前精度最高的图像模型，主要面向对图像质量要求较高的应用场景，包括主视觉图片生成、细节编辑以及图像内文字渲染等功能。

                               
登录/注册后可看大图

微软称，该模型在图像中文字生成准确性方面进行了优化，并支持自然语言编辑指令，用户可以通过文字描述调整生成内容。

                               
登录/注册后可看大图

该模型公开预览价格为：文本输入每 100 万个 Token 收费 5 美元（现汇率约合 33.9 元人民币），图像输入每 100 万个 Token 收费 8 美元（现汇率约合 54.3 元人民币），图像输出每 100 万个 Token 收费 106 美元（IT之家注：现汇率约合 718.8 元人民币）。

                               
登录/注册后可看大图

【MAI-Voice-2-Flash 语音模型】
另一款模型 MAI-Voice-2-Flash 则针对高频语音应用进行了优化。

微软表示，该模型相比 MAI-Voice-2 速度提升约 2 倍，同时成本降低 32%，能够在保持自然语调和较高语音质量的情况下，为大规模语音服务提供更低延迟支持。

                               
登录/注册后可看大图

MAI-Voice-2-Flash 的公开预览价格为每 100 万个字符 15 美元（现汇率约合 101.7 元人民币）。微软表示，该模型适用于客服中心、语音助手等需要快速响应的场景。

                               
登录/注册后可看大图

【产品落地与应用】
微软透露，目前两款模型已经逐步应用于旗下多个产品。

其中，Bing Image Creator 已全面采用微软自研图像模型，MAI-Image-2.5 成为其默认图像生成模型，为用户提供图像生成和编辑能力。

在 PowerPoint 中，MAI-Image-2.5 已用于图像到图像编辑功能。微软称，与 GPT-Image-2 相比，该模型可降低最高 84% 的 GPU 成本。

在 OneDrive 中，MAI-Image-2.5 已成为部分图像编辑功能的默认模型。微软数据显示，部署后相关场景保存成功率提升 26%，P95 延迟降低约 25%，在中等负载生产环境中的效率提升 2.5 倍。

语音方面，MAI-Voice-2-Flash 已接入 Dynamics 365 Contact Center，用于企业客服智能体服务。

微软表示，该模型可降低最高 89% 的 GPU 成本，并已应用于包括 T-Mobile、EasyJet 等客户的相关场景。

此外，微软还将 MAI-Voice-2-Flash 集成至 Azure Voice Live 服务，开发者可以利用该模型构建支持语音到语音交互的智能体。

【专业领域合作与扩展】
微软还表示，其自研模型正在与专业领域合作伙伴结合。

例如，MAI-Transcribe-1.5 已应用于医疗语音解决方案 Dragon Copilot，该服务目前被 17 万名医疗服务提供者使用，上季度处理了 2800 万次患者问诊记录。

微软称，MAI-Transcribe-1.5 支持 58 种语言，在内部多语言录音测试中，大多数语言的语音转录错误率和语言识别错误率均实现 50% 的相对下降，早期研究显示，其生成医疗记录的准确性也有所提升。

微软表示，MAI 系列模型将继续扩展，并通过 Foundry 平台提供给开发者使用。公司同时透露，微软 AI 团队下一代 GB200 计算集群目前已经投入运行，并将继续推进后续模型研发。

[来源链接] https://www.ithome.com/0/980/899.htm