- Microsoft introduce trei modele interne de bază bazate pe inteligență artificială pentru transcriere, generare de voce și creare de imagini, pentru a reduce dependența de OpenAI.
- MAI-Transcribe-1 acceptă 25 de limbi și rulează de aproximativ 2.5 ori mai rapid decât oferta actuală de transcriere Azure Fast de la Microsoft.
- MAI-Voice-1 poate genera 60 de secunde de sunet personalizabil în aproximativ o secundă, în timp ce MAI-Image-2 vizează generarea avansată de imagini și videoclipuri.
- Modelele se integrează în Microsoft Foundry, MAI Playground, Teams și Azure, cu prețuri competitive și o foaie de parcurs către modele de frontieră la scară largă până în 2027.
Microsoft face un pas clar către o autonomie mai mare în inteligența artificială prin introducerea a trei modele de bază proprii, care vizează transcrierea, generarea de vorbire și crearea de imagini. Această mișcare semnalează faptul că firma își dorește o stivă de inteligență artificială multimodală, mai profundă, pe care să o controleze pe deplin, chiar dacă menține o alianță comercială strânsă cu OpenAI.
Aceste noi sisteme, dezvoltate în cadrul Microsoft AI / MAI Superintelligence echipe, sunt concepute pentru a se conecta direct la produse precum Teams și Azure precum și în platforme interne de experimentare. În practică, Microsoft pune bazele unei strategii pe termen lung în care propriile modele acoperă o parte tot mai mare din volumul de lucru zilnic, rezervând modele externe precum cele de la OpenAI pentru cazurile în care acestea aduc o valoare clară și diferențiată.
Trei modele de bază construite de Microsoft pentru transcriere, voce și imagini
Lansarea se bazează pe trei modele principale: MAI-Transcriere-1 pentru vorbire în text, MAI-Voce-1 pentru text-vorbire și MAI-Imagine-2 pentru generarea vizuală. Împreună, acestea formează un prim strat foarte vizibil al unei interne stivă multimodală de inteligență artificială care poate gestiona text, audio și imagini în cadrul ecosistemului Microsoft.
În loc să se bazeze exclusiv pe modele mari, de uz general, Microsoft pariază pe sisteme axate pe sarcini, care sunt mai ieftine și mai rapide pentru cazuri comune de utilizare la nivel de întreprindere. Această abordare este deosebit de relevantă, deoarece numărul utilizatorilor Copilot și al funcțiilor bazate pe inteligență artificială din Office, Teams și Azure continuă să crească, cu costuri care altfel ar scala aproape liniar odată cu utilizarea API-ului.
Modele de fundație De acest tip, instrumentele sunt antrenate pe seturi de date mari și diverse, astfel încât să poată fi adaptate ulterior la o gamă largă de scenarii. Aici, aceasta înseamnă să se ofere suport pentru tot, de la transcrierea centrelor de apel și rezumatele întâlnirilor, până la voci sintetice, instrumente de accesibilitate și procese automate de creare de conținut.
MAI-Transcribe-1: conversie vocală în text mai rapidă și multilingvă pentru 25 de limbi
MAI-Transcribe-1 este noua versiune a Microsoft motor de conversie a vorbirii în text și una dintre piesele centrale ale acestei implementări. Modelul acceptă transcrierea în 25 limbi diferite și a fost evaluat intern ca fiind aproximativ De 2.5 ori mai rapid decât oferta existentă de transcriere Azure Fast a companiei, care a reprezentat un punct de referință în portofoliul său actual.
Această creștere a performanței contează deoarece sarcinile de lucru pentru transcriere sunt foarte sensibile la latență, în special în scenarii în timp real, cum ar fi subtitrările live, asistența pentru clienți sau întâlnirile hibride. Acoperirea lingvistică mai largă se aliniază, de asemenea, cu amprenta globală a Microsoft, facilitând standardizarea clienților multinaționali la un singur furnizor în loc să combine instrumentele regionale.
Din punct de vedere al produsului, Microsoft intenționează să conecteze MAI-Transcribe-1 direct la Echipele Microsoft pentru a gestiona transcrierile întâlnirilor și subtitrările în timp real. În timp, se așteaptă ca același motor să apară și în alte instrumente de productivitate, astfel încât utilizatorii observă o viteză mai bună și costuri mai mici fără a observa neapărat o schimbare de branding.
Prețurile au fost poziționate agresiv: MAI-Transcribe-1 începe de la aproximativ 0.36 USD pe oră de audio procesat, o cifră care vizează subcotarea ofertelor comparabile atât de la Google, cât și de la OpenAI, funcționând în continuare pe infrastructura cloud proprie a Microsoft.
MAI-Voice-1: text-vorbire ultra-rapid cu voci personalizate
Pe partea de generare audio, MAI-Voce-1 este noul model al Microsoft pentru transformarea textului în vorbirePotrivit companiei, aceasta poate produce aproximativ 60 de secunde de sunet în aproximativ o secundă de procesare, ceea ce reprezintă un salt notabil pentru cazurile de utilizare în care receptivitatea este esențială.
Dincolo de viteza brută, o promisiune cheie este suportul pentru voci personalizate, aliniate cu brandulOrganizațiile vor putea defini voci care corespund identității sau cazurilor lor specifice de utilizare, de la linii telefonice de asistență și agenți conversaționali până la materiale de instruire, podcasturi și funcții de accesibilitate. Acest nivel de control este din ce în ce mai important, pe măsură ce vorbirea sintetică devine mai comună, iar ascultătorii devin mai exigenți în ceea ce privește tonul și claritatea.
Microsoft vizează MAI-Voice-1 în mod direct către dezvoltatori și companii care creează produse cu voce puternică: centre de apeluri, asistenți în aplicații, instrumente de învățare a limbilor străine, platforme media sau orice serviciu care necesită narațiune scalabilă. Cu prețuri începând de la aproximativ 22 de dolari pentru un milion de caractere, modelul este conceput să fie viabil financiar atât pentru volume mici, cât și foarte mari.
Din punct de vedere al infrastructurii, MAI-Voice-1 este oferit prin API-uri Azure, Microsoft Foundry și MAI Playground, permițând echipelor să testeze rapid vocile și apoi să treacă la producție fără a schimba mediile. Ideea este de a eficientiza întreaga cale de la experimentare la implementare în cadrul stivei Microsoft.
MAI-Image-2: generare de imagini și videoclipuri integrată în stiva Microsoft
Al treilea model, MAI-Imagine-2, se concentrează pe generare de imagini (și în unele descrieri, videoclipuri) din solicitări textualeDeși compania nu a dezvăluit toate detaliile tehnice, aceasta poziționează modelul ca omolog vizual al sistemelor sale text și audio, menit să automatizeze crearea de materiale de marketing, elemente vizuale de produs, storyboard-uri și alte suporturi media.
Interesant este că MAI-Image-2 a apărut pentru prima dată mai discret în Locul de joacă MAI, mediul de experimentare al Microsoft pentru modele mari, încă de la mijlocul lunii martie. Anunțul actual oficializează rolul său ca parte a programului mai amplu Turnătorie și Azure ecosistem, unde întreprinderile îl pot accesa ca o componentă standard, mai degrabă decât ca o pură demonstrație de cercetare.
Prețurile sunt din nou structurate pentru a concura: compania citează un punct de intrare de aproximativ 5 dolari pentru fiecare milion de token-uri de intrare pentru text și în jur 33 USD pentru fiecare milion de token-uri de ieșire pentru imaginile generateAceste cifre sunt prezentate ca fiind la egalitate cu sau sub niveluri similare ale furnizorilor rivali, beneficiind în același timp de setul de securitate și conformitate pentru întreprinderi oferit de Microsoft.
Cazurile de utilizare variază de la fluxuri de lucru creative automatizate și elemente vizuale de marketing personalizate până la prototiparea rapidă pentru designul de produs. Pentru mulți clienți care au deja standardizat pe Azure, principalul avantaj este că pot experimenta cu generarea de imagini fără a apela la un furnizor extern suplimentar.
Integrare între Azure, Foundry, MAI Playground și Microsoft 365
Un aspect definitoriu al acestei lansări este cât de strâns sunt împletite noile modele în... Platformele cloud și de productivitate existente ale MicrosoftToate cele trei sisteme – MAI-Transcribe-1, MAI-Voice-1 și MAI-Image-2 – sunt implementate prin intermediul Microsoft Foundry, mediul companiei pentru accesarea și scalarea modelelor de fundație.
Dezvoltatorii pot începe cu Locul de joacă MAI, unde aceleași modele sunt expuse într-o interfață mai experimentală. Această configurație este menită să reducă bariera pentru echipele care doresc să testeze capabilități precum transcrierea, vocile sintetice sau generarea vizuală fără a se angaja imediat la o integrare completă.
În ceea ce privește produsul, Microsoft indică deja Echipele Microsoft ca beneficiar timpuriu. MAI-Transcribe-1 este configurat să alimenteze transcrierile și subtitrările întâlnirilor, în timp ce MAI-Voice-1 și MAI-Image-2 sunt așteptate să apară în timp în diverse Experiențe Copilot și Microsoft 365, chiar dacă utilizatorii finali pot să nu vadă o marcă explicită a modelului.
Pentru companii, promisiunea este o stivă unică, coerentă unde transcrierea, vocea și imaginile coexistă alături de modele lingvistice, servicii de date și analize în Azure. Acest lucru ar putea simplifica conformitatea, revizuirile de securitate și gestionarea furnizorilor, comparativ cu îmbinarea mai multor furnizori externi de inteligență artificială.
Strategia de prețuri și concurența cu OpenAI și Google
Pe lângă specificațiile tehnice, Microsoft pune mult accent pe competitivitatea prețurilorCompania poziționează în mod deschis aceste modele ca alternative care pot egala sau submina oferte similare de la OpenAI și Google, în special pentru utilizare susținută, de volum mare.
Prețurile publicate – 0.36 USD pe oră audio pentru MAI-Transcriere-1, 22 USD per milion de caractere pentru MAI-Voice-1 și 5 USD / 33 USD per milion de tokenuri structura pentru MAI-Image-2 – nu sunt doar detalii tehnice. Ele fac parte dintr-un mesaj mai larg, acela că Microsoft dorește să fie văzut ca un furnizor complet și rentabil de inteligență artificială generativă mai degrabă decât un simplu revânzător de modele partenere.
Într-o piață în care tot mai multe organizații integrează inteligența artificială în operațiunile zilnice, costul per solicitare poate deveni rapid o variabilă strategicăPrin deținerea propriilor modele, Microsoft poate ajusta compromisul dintre cheltuielile de calcul, complexitatea modelului și prețurile pentru utilizatori, în loc să plătească adaosuri mari furnizorilor externi.
Există, de asemenea, un efect de semnalizare: prin evidențierea propriilor repere și tabele de prețuri, Microsoft le spune practic clienților că nu mai trebuie să utilizeze implicit modele terțe pentru sarcini de lucru de bază, cum ar fi transcrierea, vorbirea și imaginile, dacă sunt deja dedicați Azure.
Mustafa Suleyman și viziunea AI „centrată pe om”.
Cele trei modele noi provin de la echipe grupate sub Microsoft AI / MAI Superintelligence, condus de mustafa suleman, care conduce acum Microsoft AI. Suleyman, cunoscut pentru rolurile sale anterioare în industria inteligenței artificiale, a prezentat public o viziune pe care o descrie ca fiind „IA umanistă” sau inteligența artificială centrată pe om.
În comunicările Microsoft privind lansarea, Suleyman subliniază faptul că aceste modele sunt concepute pentru a reflectă modul în care oamenii comunică de fapt, prioritizarea utilitate practică și siguranțăScopul, în cuvintele sale, este de a crea sisteme care să fie mai puțin proiecte de cercetare abstracte și mai multe instrumente care să se integreze în fluxurile de lucru zilnice de la locul de muncă și de acasă.
De asemenea, el a sugerat că actualul trio de modele este doar începutul unui portofoliu mai largMicrosoft intenționează să implementeze modele de fundație suplimentare prin Foundry și direct în cadrul produselor, extinzându-și treptat capacitățile interne dincolo de vorbire și imagini pentru a acoperi mai multe modalități și sarcini mai specializate.
Această foaie de parcurs subliniază intenția Microsoft de a fi văzută nu doar ca o platformă pentru inteligența artificială a altor persoane, ci ca un constructor al propriilor modele avansate, care pot fi integrate alături de ofertele unor parteneri de lungă durată, precum OpenAI.
O relație recalibrată cu OpenAI și un obiectiv al modelului de frontieră pentru 2027
Unul dintre cele mai delicate aspecte ale acestei strategii este modul în care se raportează la Parteneriatul de profil înalt al Microsoft cu OpenAICompaniile rămân strâns legate: Microsoft a investit peste $ 13 de miliarde de în OpenAI, găzduiește modelele sale pe Azure și integrează sisteme precum GPT în produse precum Copilot.
Totuși, rapoartele recente indică o renegocierea relației ceea ce oferă companiei Microsoft mai mult spațiu pentru a-și desfășura în paralel propriile cercetări și linii de produse în domeniul inteligenței artificiale. Suleyman a prezentat această schimbare ca pe o evoluție naturală, nu ca pe o ruptură – mai degrabă ca și cum compania ar proiecta propriile cipuri, în timp ce ar continua să cumpere de la furnizori externi.
Conform Bloomberg și altor publicații, Microsoft își propune să aibă propriile modele la scară largă, la nivel de frontieră, vor fi operaționale până în jurul anului 2027Sistemele recent anunțate se situează puțin în amonte de această ambiție: ele nu sunt încă poziționate ca modele lingvistice de uz general, de ultimă generație, ci mai degrabă ca componente specializate care reduc dependența de API-urile partenerilor pentru sarcinile de lucru zilnice.
În practică, aceasta înseamnă că Microsoft poate continua să utilizeze modele OpenAI precum GPT-5.4 acolo unde au sens, în timp ce treptat... schimbând propriile modele oriunde raportul cost-performanță sau considerațiile strategice favorizează tehnologia internă. Utilizatorii pot observa pur și simplu că funcțiile devin mai rapide sau mai ieftine pe măsură ce aceste tranziții au loc în fundal.
Pentru piața mai largă a inteligenței artificiale, această dublă direcție subliniază o tendință clară: marile companii de tehnologie caută o echilibrul dintre colaborare și autosuficiență, folosind alianțe pentru a se mișca rapid, dar dezvoltându-și propriile capacități pentru a evita să fie blocați într-un singur furnizor pe termen lung.
Cu aceste trei modele, Microsoft plantează practic un semnal de alarmă: dorește să concureze la mai multe niveluri ale stivei de inteligență artificială – de la infrastructură și instrumente până la modelele fundamentale în sine – lăsând în același timp loc pentru parteneri precum OpenAI, unde aceștia aduc puncte forte unice. Pentru clienți, acest lucru s-ar putea traduce în mai multe opțiuni, prețuri mai precise și o trecere treptată către inteligența artificială marca Microsoft, care stă la baza produselor și serviciilor familiare.
