- MAI-Voice-1 genera veu expressiva d'alta fidelitat amb latència ultrabaixa usant una sola GPU.
- MAI-1-preview és un model MoE entrenat amb ~15.000 H100, enfocat a seguir instruccions.
- Tots dos s'integren progressivament a Copilot i es poden provar a Labs i LMArena.
- Estratègia: orquestrar models especialitzats mentre conviuen amb els d'OpenAI.
Imatge destacada
Microsoft ha mogut fitxa amb l'estrena dels seus primers models d'intel·ligència artificial propis sota el paraigua de Microsoft AI: MAI-Voice-1 i MAI-1-preview . Amb aquesta jugada, la companyia apunta a una estratègia de producte en què els seus assistents i serveis es beneficien de models especialitzats, pensant tant en la veu com en el text.
L'aspiració de la tecnològica és convertir la IA en “la porta d'entrada a un univers de coneixement” , orquestrant un conjunt de sistemes fiables que entenguin cada usuari. Això es tradueix en dues novetats clau: un model de veu molt ràpid i expressiu, i un model de text tipus mixture-of-experts enfocat a seguir instruccions i oferir respostes útils al dia a dia.
Què és MAI i per què ara
MAI és l'acrònim de Microsoft AI , el segell amb què els de Redmond engloben els seus propis models fundacionals. El context importa: la relació amb OpenAI segueix, però és cada vegada més competitiva, fins al punt que Microsoft va incloure OpenAI a la seva llista de competidors . Tot i així, la companyia insisteix que seguirà usant “els millors models” de socis i de la comunitat oberta on tingui sentit.
Darrere d'aquests llançaments hi ha Mustafa Suleyman , CEO de Microsoft AI i cofundador de DeepMind, que ha deixat clar l'objectiu: crear “IA aplicada com a plataforma per a productes”. En altres paraules, models especialitzats que s'integrin a Copilot i altres experiències, cobrint necessitats concretes de veu i text amb molta eficiència.
MAI-Voice-1: el model de veu que prioritza velocitat i expressivitat
El primer a sortir a escena és MAI-Voice-1 , un sistema de síntesi de veu capaç de generar àudio expressiu i d'alta fidelitat amb una latència extremadament baixa. La promesa estrella és que pot produir un minut d'àudio en menys d'un segon , mantenint naturalitat i variacions d'entonació.
Més enllà de la velocitat, un dels seus punts forts és l'expressivitat: el model suporta estils, tons i matisos diferents a la locució, pensats per a narració o guies parlades . En escenaris d'un sol locutor o de diversos, el resultat apunta allò que Microsoft descriu com una veu “altament expressiva i natural”.
L'eficiència també n'és protagonista: MAI-Voice-1 funciona amb una sola GPU en inferència, una dada que la situa entre els sistemes de veu més eficients disponibles actualment. En un ecosistema on els costos de còmput pesen, aquesta optimització és clau per escalar la funcionalitat a productes de consum.
Pel que fa a disponibilitat, MAI-Voice-1 ja està integrat a Copilot Daily i Podcasts , i s'ofereix també com una nova experiència dins de Copilot Labs . Allí és possible experimentar amb narracions i parla expressiva, ajustant estils i explorant diferents veus dins dels límits del laboratori.
Com sona i què hi pots fer avui avui
Qui ho ha provat assenyala que l'àudio resulta molt natural , amb un bon control sobre l'entonació i el ritme. Cal tenir en compte, això sí, que de moment només està disponible en anglès . Microsoft presenta exemples típics: demanar-li “una història sobre dinosaures” i obtenir, en poc temps, un conte d'un minut amb variacions de veu i tons adequats.
Dins de Copilot Labs, la funció Expressions d'àudio permet generar àudio a partir d'un guió i modificar l'estil de la narració. S'hi inclouen modes com un Mode emotiu (per ajustar to i ritme, o assignar veus diferents) i un Mode història més orientat a narracions expressives. La idea és facilitar proves i prototips per a aquells que volen explorar possibilitats sense configurar un entorn complex.
Entre els escenaris dús, Microsoft esmenta des de contes i narracions fins a meditacions guiades, a més de potencial per a assistents virtuals amb conversa en temps real. La latència reduïda, combinada amb l'expressivitat, obre la porta a experiències més fluides en interfícies de veu on la naturalitat és decisiva.
- Narració dinàmica per a històries, podcast o educació.
- Meditacions guiades i contingut de benestar amb variacions de to.
- Assistents conversacionals en temps (gairebé) real, sensibles al context.
- Prototips ràpids a Copilot Labs amb ajustaments d'estil i veu.
Eficiència de còmput: un minut dàudio en menys dun segon
Generar àudio d'alta fidelitat i expressiu exigeix múscul tècnic, però MAI-Voice-1 presumeix d'aconseguir-ho amb una sola GPU , ia més a més en temps ultra baixos. La xifra ressona: un minut dàudio en menys dun segon . Per a productes de consum, aquesta combinació –baixa latència i cost contingut– és decisiva per oferir experiències contínues i escalables.
Al panorama actual, on els models de veu competeixen per qualitat i rapidesa, Microsoft situa MAI-Voice-1 entre els sistemes més eficients del moment. Aquesta eficiència no significa només estalvi, sinó habilitar casos d'ús que abans resultaven inviables per cost o per latència acumulada.
On provar MAI-Voice-1
Avui, les proves de MAI-Voice-1 estan en mans dels usuaris a través de Copilot Daily (resums de notícies) i Copilot Podcasts , a més del laboratori Copilot Labs . A Labs, les demostracions de parla expressiva i narració permeten veure fins on arriba el control d'estil, ritme i to, tot això amb la promesa d' alta fidelitat a la sortida.
Si us interessa experimentar, la ruta més directa és obrir Copilot Labs i accedir a la secció de veu per jugar amb els modes de narració . Tot i que les expectatives són altes, cal recordar que es tracta d'una primera fornada; Microsoft continuarà iterant amb feedback de la comunitat, ajustant paràmetres i ampliant capacitats amb el temps.
MAI-1-preview: el model de text entrenat a gran escala
Al costat del model de veu arriba MAI-1-preview , el primer model de llenguatge propi de Microsoft AI orientat al seguiment d'instruccions ia respondre de manera útil consultes quotidianes. L'arquitectura triada és de mixture-of-experts (MoE), una estratègia on diversos experts s'especialitzen i s'activen de forma selectiva segons la tasca, millorant eficiència i rendiment.
En termes d'entrenament, Microsoft detalla que MAI-1-preview s'ha preentrenat i postentrenat usant aproximadament 15.000 GPU Nvidia H100 . Aquesta escala us confereix una bona base per a l'alineament amb instruccions i per oferir respostes pràctiques en àmbits comuns de xat i productivitat.
L'enfocament MoE recorda tendències recents en models avançats: dividir el sistema en components especialitzats i activar només allò necessari per consulta. Aquest esquema s'ha vist en projectes com DeepSeek o Qwen , on l'eficiència durant la inferència esdevé un diferencial davant d'arquitectures denses tradicionals.
Disponibilitat, avaluació pública i desplegament progressiu
MAI-1-preview ja es pot provar a la plataforma d'avaluació comunitària LMArena . Per fer-ho, només cal entrar, escollir el mode Direct Chat i seleccionar “mai-1-preview”, de manera que qualsevol pugui testejar el seu comportament en converses reals i comparar-ho amb altres models.
Microsoft ha començat a més a desplegar MAI-1-preview a Copilot per a certs casos d'ús de text. L'objectiu és doble: demanar comentaris d'usuaris i continuar polint el model en un entorn real, convivint amb altres sistemes que avui sustenten àncores clau de l'assistent de la companyia.
En paral·lel, l'empresa ha habilitat accés a través d' API per a emprovadors de confiança i desenvolupadors en accés anticipat. Aquesta fase controlada permetrà recollir senyals sobre robustesa i exercici abans d'obrir l'aixeta a un públic més ampli, amb una atenció especial a la qualitat de les respostes i al compliment d'instruccions.
Substitueix els models d'OpenAI? Convivència i ambició pròpia
Microsoft ha estat clara que, per ara, continuarà combinant els seus models amb els de socis i amb innovacions de la comunitat. A la pràctica, això significa que MAI-1-preview no ve a reemplaçar de cop els sistemes que avui donen vida a Copilot. De fet, la companyia planteja el seu ús en tasques específiques , mesurant resultats i ajustant el desplegament segons el feedback.
Algunes informacions assenyalen que no substituirà versions més avançades de la família GPT a Copilot; en qualsevol cas, el matís important és que Microsoft avança cap a una major independència tecnològica . La col·laboració amb OpenAI segueix, però està més matisada, amb les dues parts reconeixent-se ja com a competidors al mercat de la IA.
Aquest capítol s‟emmarca en una relació complexa amb OpenAI. Microsoft va invertir fort, i durant un temps l'aliança va ser l'eix de la seva estratègia, però ja l'any passat va incloure OpenAI com a rival amb Amazon, Apple, Google o Meta. Alhora, des d'OpenAI han sorgit reticències sobre compartir futures tecnologies de frontera com una hipotètica AGI, cosa que accentua la necessitat que Microsoft disposi de capacitats pròpies.
Filosofia de disseny: IA útil, no “persona digital”
Més enllà de mètriques i de benchmarks, Microsoft AI ha marcat una postura pel que fa a l'experiència que ha d'oferir la IA conversacional. Suleyman ha advertit sobre el risc de construir sistemes que semblin tenir sentiments o objectius propis, cosa que podria generar expectatives o confusions indesitjades.
El full de ruta passa per eliminar trets que antropomorfiquin el sistema, reforçant una IA que sigui eina útil i responsable, sense efectes col·laterals per aparentar consciència. En el cas de MAI-Voice-1, això implica apostar per expressivitat i naturalitat en la veu sense traspassar aquesta línia de simular emocions humanes d'una manera enganyosa.
Estratègia: orquestrar models especialitzats amb focus en producte
Microsoft insisteix que el seu objectiu és orquestrar un ecosistema de models dissenyats per a intencions i contextos concrets. A la pràctica, MAI-Voice-1 cobreix la interfície parlada amb velocitat i qualitat, mentre que MAI-1-preview se centra en tasques de text on brilla el seguiment d'instruccions i la utilitat immediata per a l'usuari.
Aquesta modularitat habilita que Copilot i altres serveis combinin el millor de cada model segons el cas, sigui narrar un resum de notícies amb veu convincent, respondre amb precisió a una consulta quotidiana o ajustar l'estil d'una sortida parlada per a un pòdcast o una guia de meditació.
Casos d'ús i oportunitats per a usuaris i desenvolupadors
Per a lusuari final, la proposta es tradueix en respostes més útils i en experiències de veu millorades en productes que ja utilitza. Per a equips de contingut o podcast, tenir un motor de veu d'alta fidelitat i baixa latència implica produir més i millor, amb menys fricció tècnica.
Per a desenvolupadors, l'accés primerenc via API de MAI-1-preview obre la porta a prototips i proves controlades, avaluant on aquest model aporta avantatges davant d'altres. La fase a LMArena permet, a més, comparar en context i recollir mètriques reals sobre la qualitat de les respostes i la capacitat de seguir instruccions.
- Usuaris: millor veu a Copilot Daily i Podcasts; interacció més natural.
- Creadores i creadors: narracions i guions amb control d'estil i ritme.
- Empreses: assistents de veu amb latència molt baixa i alta expressivitat.
- desenvolupadors: proves a LMArena i accés anticipat a API per iterar ràpid.
Què esperar a curt termini
A curt termini, veurem MAI-1-preview conviure amb altres models a Copilot per a casos d'ús de text seleccionats, mentre Microsoft analitza feedback i desplega millores. Aquest pas incremental permet mesurar impacte i optimitzar lʻajust fi sense comprometre lʻexperiència global dels usuaris.
En paral·lel, és previsible que la companyia aprofundeixi a MAI-Voice-1 dins de Copilot Labs i els productes on ja és present. En anar sumant escenaris de parla i més exemples, Microsoft podrà validar millor la resposta del model davant d'estils diversos i reptes de producció reals.
Senyals de la direcció futura
El to de Microsoft és inequívoc: hi ha ambició per arribar a milers de milions de persones a través dels seus productes, amb avenços en models i en capacitat de còmput. MAI-1 és l'arrencada d'una família, i és raonable esperar variacions i noves iteracions que ajustin l'equilibri entre qualitat, cost i latència.
Pel que fa a la competència, l'estratègia MoE en models de text suggereix que Microsoft seguirà explorant arquitectures eficients en inferència, una clau per escalar a gran volum en productes massius. El cas de MAI-Voice-1 confirma a més que la veu és prioritària com a interfície de futur per a assistents.
Relació amb l'ecosistema i la postura pública
La relació amb OpenAI continuarà sent rellevant, però Microsoft ja ha demostrat que no es vol lligar a una sola font d'innovació. Seguirà integrant el millor del seu equip , de socis i de la comunitat oberta, sempre que aporti valor a productes i clients. Alhora, posiciona la seva marca pròpia (MAI) com a vehicle per guanyar autonomia on sigui estratègic.
Aquest joc d'equilibris -convivència ara i més independència demà- podria accelerar la competència en assistents i productivitat. Per als usuaris, l'efecte desitjable és clar: més varietat d'eines i més iteració pràctica sobre allò que realment resol problemes quotidians.
L'aposta de Microsoft amb MAI-Voice-1 i MAI-1-preview combina pragmatisme i velocitat: un model de veu eficient i expressiu que ja impulsa experiències a Copilot, i un model de text tipus MoE entrenat a gran escala, que comença a desplegar-se en escenaris controlats, es pot provar a LMArena i s'obre per API a provadors de confiança. L'objectiu que apareix és clar: models especialitzats, integrats en productes, que s'adaptin al que cada persona necessita cada dia.
