- MAI-Voice-1 generira visokokvalitetni ekspresivni glas s ultra niskom latencijom koristeći jedan GPU.
- MAI-1-preview je MoE model obučen sa ~15.000 H100, fokusiran na praćenje instrukcija.
- Oba se postepeno integriraju u Copilot i mogu se testirati u Labs i LMAreni.
- Strategija: Orkestrirati specijalizirane modele uz koegzistiranje s OpenAI-jem.
Izvanredna slika
Microsoft je napravio korak naprijed lansiranjem svojih prvih vlasničkih modela umjetne inteligencije pod okriljem Microsoft AI: MAI-Voice-1 i MAI-1-preview . Ovim potezom kompanija cilja na strategiju proizvoda u kojoj njeni asistenti i usluge imaju koristi od specijaliziranih modela, dizajniranih i za glas i za tekst.
Cilj tehnološke kompanije je da vještačku inteligenciju učini "ulazom u univerzum znanja", orkestrirajući skup pouzdanih sistema koji razumiju svakog korisnika. To se prevodi u dvije ključne inovacije: vrlo brz i ekspresivan glasovni model i tekstualni model mješavine stručnjaka fokusiran na praćenje uputa i pružanje korisnih odgovora za svakodnevnu upotrebu.
Šta je MAI i zašto baš sada?
MAI je akronim za Microsoft AI , brend pod kojim kompanija sa sjedištem u Redmondu obuhvata vlastite temeljne modele. Kontekst je važan: odnos s OpenAI-jem se nastavlja, ali je sve konkurentniji, do te mjere da je Microsoft uvrstio OpenAI na svoju listu konkurenata . Uprkos tome, kompanija insistira da će nastaviti koristiti „najbolje modele“ od partnera i otvorene zajednice gdje to ima smisla.
Iza ovih lansiranja stoji Mustafa Suleyman , izvršni direktor Microsoft AI-a i suosnivač DeepMinda, koji je jasno stavio do znanja cilj: stvoriti „AI primijenjen kao platforma za proizvode“. Drugim riječima, specijalizirane modele koji se integriraju u Copilot i druga iskustva, efikasno pokrivajući specifične potrebe za glasom i tekstom.
MAI-Voice-1: glasovni model koji daje prioritet brzini i ekspresivnosti
Prvi koji će biti predstavljen je MAI-Voice-1 , sistem za sintezu glasa sposoban za generiranje ekspresivnog, visokokvalitetnog zvuka s izuzetno niskom latencijom. Njegova ključna prednost je što može proizvesti jednu minutu zvuka za manje od jedne sekunde , uz zadržavanje prirodnosti i varijacija intonacije.
Pored brzine, jedna od njegovih prednosti je ekspresivnost: model podržava različite stilove, tonove i nijanse u glasovnoj naraciji, dizajniranoj za naraciju ili govorne vodiče . U scenarijima s jednim ili više glasova, rezultat je ono što Microsoft opisuje kao "vrlo ekspresivan i prirodan" glas.
Efikasnost je također ključna karakteristika: MAI-Voice-1 radi s jednom grafičkom procesorskom karticom za inferenciju, što ga svrstava među najefikasnije glasovne sisteme koji su trenutno dostupni. U ekosistemu gdje su troškovi računarstva značajni, ova optimizacija je ključna za skaliranje funkcionalnosti na potrošačke proizvode.
Što se tiče dostupnosti, MAI-Voice-1 je već integriran u Copilot Daily i Podcasts , a nudi se i kao novo iskustvo unutar Copilot Labsa . Tamo je moguće eksperimentirati s naracijom i ekspresivnim govorom, prilagođavajući stilove i istražujući različite glasove unutar okvira laboratorija.
Kako zvuči i šta možete s tim uraditi danas
Oni koji su ga isprobali kažu da zvuk zvuči vrlo prirodno , s dobrom kontrolom intonacije i ritma. Međutim, vrijedi napomenuti da je trenutno dostupan samo na engleskom jeziku . Microsoft nudi tipične primjere: zatražite "priču o dinosaurima" i brzo ćete dobiti jednominutnu priču s odgovarajućim varijacijama glasa i tonom.
Unutar Copilot Labsa, funkcija " Audio izrazi " vam omogućava generiranje zvuka iz scenarija i mijenjanje stila naracije. Uključuje načine rada kao što su Emocionalni način rada (za podešavanje tona i ritma ili dodjeljivanje različitih glasova) i Način rada priče usmjeren na ekspresivnu naraciju. Ideja je olakšati testiranje i izradu prototipa za one koji žele istražiti mogućnosti bez postavljanja složenog okruženja.
Među slučajevima upotrebe, Microsoft spominje sve, od pripovijedanja i naracije do vođenih meditacija, kao i potencijal za virtualne asistente s razgovorima u stvarnom vremenu. Smanjena latencija, u kombinaciji s ekspresivnošću, otvara vrata glatkijim iskustvima u glasovnim interfejsima gdje je prirodnost ključna.
- Dinamična naracija za priče, podcaste ili edukaciju.
- vođene meditacije i sadržaj o wellnessu s tonalnim varijacijama.
- Konverzacijski asistenti u (skoro) realnom vremenu, osjetljivo na kontekst.
- Brza izrada prototipa u Copilot Labsima sa stilskim i glasovnim podešavanjima.
Računarska efikasnost: jedna minuta zvuka za manje od jedne sekunde
Generisanje visokokvalitetnog, ekspresivnog zvuka zahteva tehničku vještinu, ali MAI-Voice-1 se može pohvaliti da to postiže sa jednom grafičkom procesorskom karticom i ultra niskom latencijom. Brojka je impresivna: jedna minuta zvuka za manje od jedne sekunde . Za potrošačke proizvode, ova kombinacija - niska latencija i pristupačna cijena - ključna je za pružanje besprijekornih i skalabilnih iskustava.
U današnjem okruženju, gdje se glasovni sistemi takmiče po kvalitetu i brzini, Microsoft pozicionira MAI-Voice-1 među najefikasnije dostupne sisteme. Ova efikasnost ne samo da se prevodi u uštedu troškova, već omogućava i slučajeve upotrebe koji su ranije bili nepraktični zbog troškova ili latencije.
Gdje isprobati MAI-Voice-1
Danas, MAI-Voice-1 testiraju korisnici putem Copilot Daily (sažeci vijesti) i Copilot Podcastsa , kao i Copilot Labsa . U Labsima, demonstracije ekspresivnog govora i naracije pokazuju stepen kontrole nad stilom, ritmom i tonom, a sve to uz obećanje visokokvalitetnog zvuka.
Ako ste zainteresirani za eksperimentiranje, najdirektniji put je otvaranje Copilot Labsa i pristup odjeljku za glas kako biste se igrali s načinima naracije . Iako su očekivanja visoka, vrijedi zapamtiti da je ovo samo prva serija; Microsoft će nastaviti s ponavljanjima uz povratne informacije zajednice, prilagođavanjem parametara i proširivanjem mogućnosti tokom vremena.
MAI-1-pregled: model obučenog teksta velikih razmjera
Uz glasovni model dolazi i MAI-1-preview , prvi vlasnički jezički model kompanije Microsoft AI, dizajniran za efikasno praćenje instrukcija i odgovaranje na svakodnevne upite. Odabrana arhitektura je arhitektura mješavine stručnjaka (MoE), strategija u kojoj se više stručnjaka specijalizira i selektivno aktivira ovisno o zadatku, poboljšavajući efikasnost i performanse.
Što se tiče obuke, Microsoft objašnjava da je MAI-1-preview prethodno i naknadno obučen korištenjem približno 15.000 Nvidia H100 GPU-ova . Ova skala pruža solidnu osnovu za usklađivanje instrukcija i za pružanje praktičnih odgovora u uobičajenim scenarijima chata i produktivnosti.
MoE pristup podsjeća na nedavne trendove u naprednim modelima: podjela sistema na specijalizirane komponente i aktiviranje samo onoga što je neophodno po upitu. Ova shema je viđena u projektima poput DeepSeek i Qwen , gdje efikasnost tokom zaključivanja postaje faktor razlikovanja u odnosu na tradicionalne guste arhitekture.
Dostupnost, javna evaluacija i progresivna implementacija
MAI-1-preview je sada dostupan za testiranje na platformi za evaluaciju zajednice LMArena . Da biste ga testirali, jednostavno se prijavite, odaberite način rada Direct Chat i odaberite "mai-1-preview" kako bi svako mogao iskusiti njegovo ponašanje u stvarnim razgovorima i uporediti ga s drugim modelima.
Microsoft je također počeo primjenjivati MAI-1-preview u Copilotu za određene slučajeve upotrebe teksta. Cilj je dvostruk: prikupljanje povratnih informacija od korisnika i daljnje usavršavanje modela u stvarnom okruženju, koegzistirajući s drugim sistemima koji trenutno podržavaju ključne aspekte asistenta kompanije.
Paralelno s tim, kompanija je omogućila pristup API-ju za pouzdane testere i programere u ranom pristupu. Ova kontrolirana faza će im omogućiti da prikupe povratne informacije o robusnosti i performansama prije nego što ga otvore široj publici, s posebnom pažnjom na kvalitet odgovora i usklađenost s uputama.
Da li je to zamjena za OpenAI modele? Koegzistencija i vlastita ambicija
Microsoft je jasno stavio do znanja da će za sada nastaviti kombinirati svoje modele s modelima partnera i inovacijama zajednice. U praksi to znači da MAI-1-preview nije namijenjen zamjeni sistema koji trenutno pokreću Copilot. U stvari, kompanija planira da ga koristi za specifične zadatke , mjerenje rezultata i prilagođavanje implementacije na osnovu povratnih informacija.
Neki izvještaji ukazuju na to da neće zamijeniti naprednije verzije GPT porodice u Copilotu; u svakom slučaju, važno je da se Microsoft kreće ka većoj tehnološkoj nezavisnosti . Saradnja sa OpenAI-jem se nastavlja, ali je nijansiranija, pri čemu se obje strane sada prepoznaju kao konkurenti na tržištu umjetne inteligencije.
Ovo poglavlje je smješteno u kontekst složenog odnosa s OpenAI-jem. Microsoft je uložio velika sredstva i neko vrijeme je savez bio središnji dio njihove strategije, ali prošle godine je uključio OpenAI kao rivala uz Amazon, Apple, Google i Metu. Istovremeno, OpenAI je izrazio rezerve prema dijeljenju budućih vrhunskih tehnologija, poput hipotetičke AGI, što naglašava potrebu da Microsoft ima vlastite mogućnosti.
Filozofija dizajna: Korisna umjetna inteligencija, a ne „digitalna persona“
Pored metrike i referentnih vrijednosti, Microsoft AI je zauzeo stav o iskustvu koje bi konverzacijska AI trebala ponuditi. Suleyman je upozorio na rizik izgradnje sistema koji izgledaju kao da imaju vlastite osjećaje ili ciljeve , nešto što bi moglo stvoriti neželjena očekivanja ili zbunjenost.
Plan uključuje eliminaciju karakteristika koje antropomorfiziraju sistem, ojačavajući vještačku inteligenciju koja je koristan i odgovoran alat, bez nuspojava simuliranja svijesti. U slučaju MAI-Voice-1, to znači davanje prioriteta ekspresivnosti i prirodnosti u glasu bez prelaska granice u varljivo simuliranje ljudskih emocija .
Strategija: orkestrirati specijalizirane modele s fokusom na proizvod
Microsoft insistira da mu je cilj orkestrirati ekosistem modela dizajniranih za specifične namjere i kontekste. U praksi, MAI-Voice-1 pokriva govorni interfejs brzinom i kvalitetom, dok se MAI-1-preview fokusira na tekstualne zadatke gdje praćenje instrukcija i neposredna korisnost za korisnika dolaze do izražaja.
Ova modularnost omogućava Copilotu i drugim servisima da kombinuju najbolje od svakog modela, u zavisnosti od slučaja, bilo da se radi o naraciji sažetka vijesti uvjerljivim glasom, preciznom odgovoru na svakodnevni upit ili prilagođavanju stila govornog izlaza za podcast ili vodič za meditaciju.
Primjeri upotrebe i prilike za korisnike i programere
Za krajnjeg korisnika, ovo se prevodi u korisnije odgovore i poboljšana glasovna iskustva u proizvodima koje već koriste. Za timove za sadržaj ili podcaste, posjedovanje visokokvalitetnog glasovnog mehanizma s niskom latencijom znači proizvodnju više i boljeg sadržaja uz manje tehničkih problema.
Za programere, rani pristup putem MAI-1-preview API-ja otvara vrata izradi prototipova i kontroliranom testiranju, omogućavajući im da procijene gdje ovaj model nudi prednosti u odnosu na druge. Faza LMArena također omogućava kontekstualna poređenja i prikupljanje stvarnih metrika o kvaliteti odgovora i sposobnosti praćenja uputa.
- KorisniciPoboljšan glas u Copilot Daily i Podcastima; prirodnija interakcija.
- KreatoriNaracije i scenariji sa kontrolom stila i ritma.
- kompanijeGlasovni asistenti sa vrlo niskom latencijom i visokom ekspresivnošću.
- ProgrameriTestiranje LMArene i rani pristup API-ju za brzu iteraciju.
Šta očekivati u kratkom roku
Kratkoročno gledano, vidjet ćemo kako MAI-1-preview koegzistira s drugim modelima u Copilotu za odabrane slučajeve upotrebe teksta dok Microsoft analizira povratne informacije i uvodi poboljšanja. Ovaj postepeni pristup nam omogućava da mjerimo utjecaj i fino podesimo iskustvo bez ugrožavanja ukupnog korisničkog iskustva.
Paralelno s tim, očekuje se da će kompanija dalje razvijati MAI-Voice-1 unutar Copilot Labsa i proizvoda gdje je već implementiran. Dodavanjem više govornih scenarija i primjera, Microsoft će moći bolje potvrditi odgovor modela na različite stilove i stvarne produkcijske izazove.
Znakovi budućeg smjera
Microsoftov ton je nedvosmislen: postoji ambicija da se dosegnu milijarde ljudi putem njihovih proizvoda, s napretkom u modelima i računarskoj snazi. MAI-1 je početak porodice i razumno je očekivati varijacije i nove iteracije koje fino podešavaju ravnotežu između kvaliteta, cijene i latencije.
Na konkurentskom planu, MoE strategija u tekstualnim modelima sugerira da će Microsoft nastaviti istraživati efikasne arhitekture inferencije, ključni faktor u skaliranju za velike količine proizvoda za masovno tržište. Slučaj MAI-Voice-1 dodatno potvrđuje da je glas prioritet kao budući interfejs za asistente.
Odnos s ekosistemom i stav javnosti
Odnos s OpenAI-jem ostat će relevantan, ali Microsoft je već pokazao da ne želi biti vezan za jedan izvor inovacija. Nastavit će integrirati najbolje od svog tima , partnera i otvorene zajednice, sve dok to dodaje vrijednost proizvodima i kupcima. Istovremeno, pozicionira vlastiti brend (MAI) kao sredstvo za postizanje autonomije tamo gdje je to strateški važno.
Ovaj čin balansiranja – koegzistencija sada i veća nezavisnost sutra – mogao bi ubrzati konkurenciju u asistentima i produktivnosti. Za korisnike, željeni efekat je jasan: širi izbor alata i praktičnija iteracija onoga što zaista rješava svakodnevne probleme.
Microsoftov pristup s MAI-Voice-1 i MAI-1-preview kombinira pragmatizam i brzinu: efikasan i ekspresivan glasovni model koji već pokreće iskustva u Copilotu, te tekstualni model MoE velikih razmjera koji se počinje primjenjivati u kontroliranim okruženjima, može se testirati u LMAreni i otvara se putem API-ja pouzdanim testerima. Cilj koji se pojavljuje je jasan: specijalizirani modeli, integrirani u proizvode, koji se prilagođavaju dnevnim potrebama svake osobe.
