- Arriben MAI‑Voice‑1 (veu ultraràpida) i MAI‑1‑preview (text amb MoE) com a primers models interns de Microsoft.
- MAI-Voice-1 genera 1 minut d'àudio a <1 s amb una GPU i ja és a Copilot Daily, Podcasts i Labs.
- MAI‑1‑preview es va entrenar amb unes 15.000 H100, s'integra de forma limitada a Copilot i es prova a LMArena.
- Estratègia: reduir dependència d'OpenAI i orquestrar models especialitzats amb focus a l'usuari.
Microsoft ha mogut fitxa i presenta els seus primers models d'intel·ligència artificial desenvolupats de forma interna, un pas que marca un canvi de ritme en la seva estratègia i que apunta directament el gran públic amb MAI-Voice-1 i MAI-1-preview.
La marca MAI respon a “Microsoft AI”, i arriba amb dues propostes molt clares: una centrada en veu ultraràpida i una altra en text amb arquitectura d'experts. Tot això situa la companyia en una senda més autònoma davant OpenAI, mantenint la col·laboració però encaminant el seu futur cap a models propis capaços de competir amb ChatGPT, Gemini i companyia a IA generativa.
Què són MAI‑Voice‑1 i MAI‑1‑preview
MAI‑1‑preview és, segons Microsoft, un model intern amb arquitectura Mixture‑of‑Experts (MoE) entrenat en dues etapes (preentrenament i postentrenament) sobre aproximadament 15.000 GPU NVIDIA H100. Aquesta configuració per “experts” activa només els subcomponents necessaris per a cada tasca, cercant eficiència i millor ajustament a la intenció de l'usuari.
Pel que fa a producte, la companyia indica que aquest model textual està pensat per seguir instruccions i oferir respostes útils a consultes quotidianes . Per això, el desplegament inicial serà controlat: anirà arribant a alguns escenaris de text a Copilot durant les properes setmanes amb l'objectiu d'aprendre de la interacció real a partir de la retroalimentació.
A més d'aquesta integració gradual, Microsoft ha habilitat proves públiques a la plataforma LMArena per recollir més senyals de qualitat. I, paral·lelament, preveu posar-ho a disposició de desenvolupadors mitjançant una API, reforçant així el circuit d'avaluació i millora contínua del model.
L?empresa recalca que no abandonarà altres motors d?IA: seguirà utilitzant els millors models del seu propi equip, de socis com Anthropic i de l?ecosistema open source on tingui sentit. A curt termini, MAI‑1‑preview no pretén substituir GPT‑5 a Copilot; més aviat servirà per a casos concrets en què pugui aportar avantatges clars.
Per la seva banda, MAI-Voice-1 és la proposta de veu de Microsoft: un model generatiu “altament expressiu i natural” ja disponible a Copilot Daily i Podcasts, i també accessible com a noves experiències dins de Copilot Labs. La visió darrere és rotunda: “la veu és la interfície del futur” per a assistents d'IA més útils i a prop
La promesa tècnica és cridanera: pot produir un minut dàudio en menys dun segon utilitzant una única GPU . Aquesta velocitat, unida a un timbre d'alta fidelitat ia la possibilitat de manejar escenaris amb un o diversos locutors, col·loca MAI-Voice-1 entre els sistemes de síntesi de veu més eficients que es poden provar avui.
En proves públiques i demostracions, l'àudio sona sorprenentment fluid, amb entonació i ritme convincents, tot i que, de moment, el suport lingüístic està limitat a l'anglès . La personalització d'estils i veus s'explora a través de Copilot Labs, on Microsoft ha estrenat experiències com a Expressions d'àudio de Copilot.
Un detall curiós: els noms escollits (MAI-Voice-1 i MAI-1-preview) són clars i “molt d'enginyer” . Més enllà d'aquesta anècdota, el que és rellevant és que marquen un full de ruta cap a un catàleg de models especialitzats amb enfocament consumidor, prioritzant velocitat, eficiència i facilitat d'ús.
MAI‑Voice‑1: capacitats, usos i on provar-ho
MAI-Voice-1 es presenta com un sistema d' àudio generatiu d'alta fidelitat capaç de doblegar, narrar i crear locucions en un sospir. El seu reclam principal és la latència: generar fins a un minut d'àudio en menys d'un segon amb una sola GPU permet imaginar aplicacions en temps gairebé real.
La integració inicial s'ha realitzat a Copilot Daily i Podcasts , on la IA ja sintetitza resums o peces parlades. Per experimentar amb estils i matisos, Copilot Labs estrena Expressions d'àudio de Copilot, amb demostracions de narració i parla expressiva perquè l'usuari explori possibilitats.
En aquestes experiències, Microsoft introdueix opcions com un Mode emotiu (control de to i ritme) o un Mode història amb una narració més teatral. L'objectiu és oferir una paleta de veus i estils adaptables tant per a un únic narrador com per a escenes amb múltiples locutors.
La companyia remarca que el model és eficient en recursos : funciona amb una única GPU i tot i així assoleix un nivell d'expressivitat notable. Aquest equilibri entre el cost i la qualitat el fa atractiu per a productes de consum i per a equips que no disposen de grans infraestructures d'inferència.
Entre els casos d'ús més clars que proposa Microsoft hi ha la narració d'històries, la generació de meditacions guiades , la creació de guions locutats o l'assistència conversacional a temps real. Tot això amb una veu que cerca ser natural i adaptable al context.
- Narració i storytelling: contes, audioguies, aprenentatge d'idiomes o relats amb diversos personatges.
- Producció de continguts: podcasts automatitzats, tràilers de producte, peces promocionals o resums diaris.
- Assistència i accessibilitat: lectura de textos, suport als usuaris amb dificultats visuals o creació ràpida d'instruccions parlades.
- Experiències interactives: assistents amb resposta per veu, guies contextuals a apps i jocs o bots de suport amb diferents timbres.
Un punt important és la capacitat multilocutor , útil per a dramatitzacions, entrevistes simulades o rols diferenciats en un mateix àudio. Aquesta flexibilitat a l'escena sonora permet crear continguts més rics sense passar per un estudi i sense coordinació de veus humanes.
En demos, només cal demanar “una història sobre X” perquè en un segon aparegui un minut d'àudio amb diferents veus i entonacions. Tot i que és aviat per avaluar totes les subtileses, els primers resultats transmeten una naturalitat convincent per a un ús quotidià.
Ara com ara, MAI-Voice-1 està orientat a l' anglès , un matís a tenir en compte si la teva audiència principal és hispanoparlant. En qualsevol cas, l'arquitectura i el rendiment permeten pensar en un suport d'idiomes més ampli a mesura que avanci l'entrenament i l'avaluació pública.
Convé recordar que, en el pla de seguretat i ètica, Microsoft ha reiterat que eliminarà qualsevol tret que faci assemblar a la IA com si tingués sentiments o objectius propis . La idea és potenciar la utilitat sense antropomorfitzar, cosa especialment sensible en assistents conversacionals amb veu.
MAI‑1‑preview: arquitectura, desplegament i estratègia
MAI‑1‑preview és el primer foundation model textual creat per Microsoft dins de la seva divisió MAI. S'ha entrenat amb una escala notable (al voltant de 15.000 H100) i adopta l'enfocament MoE: una barreja d'experts on només s'activen les parts rellevants del model per a cada input.
Aquest disseny permet repartir competències entre experts i millorar el rendiment en tasques de seguiment d'instruccions . El que cerca Microsoft és oferir respostes útils i orientades a la vida diària, prioritzant l'experiència de l'usuari final davant d'un enfocament purament empresarial.
A la pràctica, el desplegament serà en dos temps. Primer, el model arriba en versió preliminar a alguns escenaris de text a Copilot , i ho fa de forma controlada per mesurar telemetria i recopilar comentaris. Després, amb aquesta retroalimentació, s'ajustarà el comportament i s'ampliarà l'abast.
Segon, la companyia ha obert l'accés de proves a LMArena per a avaluació pública . Aquest canal accelera el cicle de millora, aporta diversitat d‟entrades i permet detectar oportunitats d‟ajust fi abans d‟una integració més àmplia.
Microsoft deixa clar que MAI‑1‑preview no reemplaça (per ara) GPT‑5 dins de Copilot . L'estratègia és fer servir “el model correcte per al treball correcte”, integrant MAI‑1‑preview en tasques específiques i comparant el seu exercici de manera contínua.
Paral·lelament, l'empresa assegura que continuarà apostant per una combinació de motors: els seus, els de socis com OpenAI i les innovacions de la comunitat open source . D'aquesta manera, Copilot es pot beneficiar tant de l'autonomia de MAI com del millor model disponible a cada àrea.
Tot aquest moviment s‟emmarca en un gir més ampli: reduir la dependència tecnològica d‟OpenAI i construir una infraestructura d‟IA pròpia i resilient. Mustafa Suleyman, responsable de Microsoft AI, ha insistit que l'objectiu és optimitzar per a l'usuari final, recolzant-se en senyals d'ús (telemetria, comportament) per oferir assistents més útils i personalitzats.
La visió de Microsoft és “orquestrar una gamma de models especialitzats ” que cobreixin diferents intencions i situacions, generant “un valor immens” per als usuaris. La companyia ho descriu com a “la porta d'entrada a un univers de coneixement”, una ambició que es tradueix a integrar IA en productes que defineixin categories.
En matèria de disseny responsable, Suleyman també ha subratllat la importància d' evitar antropomorfismes : construir IA per a les persones, però no com si fossin “persones digitals”. Això és especialment rellevant en models de veu i en assistents que poden fer la impressió de tenir emocions.
Per a organitzacions i despatxos professionals, aquesta nova fornada de models planteja oportunitats i deures. A curt termini, s'entreveuen beneficis reals en automatització , resums, suport a la decisió i generació de contingut parlat amb un cost d'inferència ajustat.
- MAI‑Voice‑1 podeu habilitar assistents de consulta o continguts de veu (podcasts, explicacions especialitzades) amb resultat natural i producció immediata.
- MAI‑1‑preview obre la porta a respostes automàtiques, resums, esborranys i suport a tasques de text, integrables de forma progressiva a Copilot.
El repte passa per assegurar privadesa, seguretat i compliment normatiu. Per no ensopegar, convé arrencar amb pilots acotats, fer auditories internes de prompts i sortides, formar els equips i vigilar l'ús de dades (tant d'entrada com de telemetria) perquè no hi hagi sorpreses.
Si la teva operació es recolza en veu, el diferencial de latència i qualitat de MAI-Voice-1 és molt atractiu. Si el focus és text, MAI‑1‑preview és interessant pel seu enfocament en el seguiment d'instruccions i pel marc de proves públiques que accelera l'aprenentatge del model.
També ajuda a tenir clares les limitacions actuals: MAI‑Voice‑1 està centrat en anglès i MAI‑1‑preview segueix en fase de prova, amb desplegament restringit a casos concrets. Tot i així, el ritme d'iteració que proposa Microsoft és elevat i suggereix millores ràpides.
Finalment, és significatiu que Microsoft afirmi que continuarà combinant els seus models, els de socis i l'open source . Aquest enfocament híbrid apunta a un Copilot que selecciona el millor motor per a cada tasca sense casar-se amb una única tecnologia i que aspira a maximitzar valor per a l'usuari final.
L'anunci de MAI-Voice-1 i MAI-1-preview mostra una estratègia més autònoma, centrada en velocitat, eficiència i utilitat real. Si la integració a Copilot i l'avaluació a LMArena consoliden els resultats que Microsoft anticipa, estarem davant de dos pilars clau de l'ecosistema MAI en productes de consum i professionals.
