- MAI-Voice-1 tuottaa korkealaatuista ja ilmeikästä ääntä erittäin pienellä latenssilla käyttämällä yhtä näytönohjainta.
- MAI-1-esikatselu on MoE-malli, jota on koulutettu noin 15.000 100 HXNUMX:lla ja joka keskittyy ohjeiden noudattamiseen.
- Molempia integroidaan vähitellen Copilotiin, ja niitä voidaan testata Labsissa ja LMArenassa.
- Strategia: Orkestroi erikoistuneita malleja ja toimi samalla OpenAI:n rinnalla.
Erinomainen kuva
Microsoft on ottanut askeleen eteenpäin julkaisemalla ensimmäiset omat tekoälymallinsa Microsoft AI -sateenvarjon alla: MAI-Voice-1 ja MAI-1-preview . Tällä askeleella yritys pyrkii tuotestrategiaan, jossa sen avustajat ja palvelut hyötyvät erikoismalleista, jotka on suunniteltu sekä äänelle että tekstille.
Teknologiayrityksen tavoitteena on tehdä tekoälystä "portti tiedon universumiin", joka luo joukon luotettavia järjestelmiä, jotka ymmärtävät jokaista käyttäjää. Tämä tarkoittaa kahta keskeistä innovaatiota: erittäin nopeaa ja ilmeikästä äänimallia sekä asiantuntijoiden yhdistävää tekstimallia, joka keskittyy ohjeiden noudattamiseen ja hyödyllisten vastausten tarjoamiseen jokapäiväiseen käyttöön.
Mikä on MAI ja miksi juuri nyt?
MAI on lyhenne sanoista Microsoft AI , brändi, jonka alle Redmondissa sijaitseva yritys kattaa omat perusmallinsa. Kontekstilla on merkitystä: suhde OpenAI:n kanssa jatkuu, mutta kilpailu on yhä kovempaa siinä määrin, että Microsoft on lisännyt OpenAI:n kilpailijaluetteloonsa . Silti yritys vakuuttaa, että se aikoo jatkossakin käyttää kumppaneiden ja avoimen yhteisön "parhaita malleja" siellä, missä se on järkevää.
Näiden lanseerausten takana on Microsoft AI:n toimitusjohtaja ja DeepMindin perustajajäsen Mustafa Suleyman , joka on tehnyt tavoitteen selväksi: luoda ”tekoälyä tuotealustana”. Toisin sanoen erikoistuneita malleja , jotka integroituvat Copilotiin ja muihin kokemuksiin ja kattavat tehokkaasti erityiset ääni- ja tekstitarpeet.
MAI-Voice-1: äänimalli, joka asettaa etusijalle nopeuden ja ilmaisuvoimaisuuden
Ensimmäisenä julkistetaan MAI-Voice-1 , äänisynteesijärjestelmä, joka pystyy tuottamaan ilmeikästä ja korkealaatuista ääntä erittäin pienellä latenssilla. Sen tärkein myyntivaltti on, että se pystyy tuottamaan minuutin ääntä alle sekunnissa säilyttäen luonnollisuuden ja intonaatiovaihtelut.
Nopeuden lisäksi yksi sen vahvuuksista on ilmaisuvoimaisuus: malli tukee erilaisia tyylejä, sävyjä ja vivahteita selostuksessa, joka on suunniteltu kerrontaa tai puhuttuja ohjeita varten . Yhden tai useamman äänen tilanteissa tuloksena on Microsoftin kuvailema "erittäin ilmeikäs ja luonnollinen" ääni.
Tehokkuus on myös keskeinen ominaisuus: MAI-Voice-1 toimii yhdellä näytönohjaimella päättelyssä, mikä tekee siitä yhden tehokkaimmista tällä hetkellä saatavilla olevista äänijärjestelmistä. Ekosysteemissä, jossa laskentakustannukset ovat merkittäviä, tämä optimointi on ratkaisevan tärkeää toiminnallisuuden skaalaamiseksi kuluttajatuotteisiin.
Saatavuuden osalta MAI-Voice-1 on jo integroitu Copilot Dailyyn ja Podcasteihin , ja sitä tarjotaan myös uutena kokemuksena Copilot Labsissa . Siellä on mahdollista kokeilla kerrontaa ja ilmaisuvoimaista puhetta, muokata tyylejä ja tutkia erilaisia ääniä laboratorion rajoissa.
Miltä se kuulostaa ja mitä sillä voi tehdä tänään
Kokeneet sanovat, että ääni kuulostaa erittäin luonnolliselta ja intonaatio sekä rytmi ovat hallinnassa. On kuitenkin syytä huomata, että se on tällä hetkellä saatavilla vain englanniksi . Microsoft tarjoaa tyypillisiä esimerkkejä: pyydä siltä "tarinaa dinosauruksista" ja saat nopeasti minuutin mittaisen tarinan sopivilla äänimuunnelmilla ja sävyillä.
Copilot Labsin " Äänilausekkeet "-ominaisuuden avulla voit luoda ääntä käsikirjoituksesta ja muokata kerrontatyyliä. Se sisältää tiloja, kuten tunnetilan ( sävyn ja rytmin säätämiseen tai eri äänien määrittämiseen) ja tarinatilan, joka on suunnattu ilmeikkään kerronnan edistämiseen. Ajatuksena on helpottaa testausta ja prototyyppien luomista niille, jotka haluavat tutkia mahdollisuuksia ilman monimutkaisen ympäristön luomista.
Käyttötapauksista Microsoft mainitsee kaiken tarinankerronnasta ja selostuksesta ohjattuihin meditaatioihin sekä virtuaaliassistenttien mahdollisuuden reaaliaikaisen keskustelun avulla. Lyhyempi viive yhdistettynä ilmaisuvoimaisuuteen avaa oven sujuvammille kokemuksille äänikäyttöliittymissä, joissa luonnollisuus on ratkaisevan tärkeää.
- Dynaaminen kerronta tarinoita, podcasteja tai koulutusta varten.
- ohjattuja meditaatioita ja hyvinvointisisältöä sävyvaihteluilla.
- Keskusteluavustajat (melkein) reaaliajassa, kontekstiherkkänä.
- Nopea prototyyppien luominen Copilot Labsissa tyyli- ja äänisäätöjen avulla.
Laskentatehokkuus: minuutti ääntä alle sekunnissa
Korkealaatuisen ja ilmeikkään äänen luominen vaatii teknistä osaamista, mutta MAI-Voice-1 ylpeilee saavuttavansa tämän yhdellä näytönohjaimella ja erittäin pienellä latenssilla. Luku on vaikuttava: minuutti ääntä alle sekunnissa . Kuluttajatuotteissa tämä yhdistelmä – pieni latenssi ja edullinen hinta – on ratkaisevan tärkeä saumattomien ja skaalautuvien kokemusten tarjoamiseksi.
Nykymaailmassa, jossa äänijärjestelmät kilpailevat laadulla ja nopeudella, Microsoft sijoittaa MAI-Voice-1:n tehokkaimpien saatavilla olevien järjestelmien joukkoon. Tämä tehokkuus ei ainoastaan tarkoita kustannussäästöjä, vaan myös mahdollistaa käyttötapauksia, jotka aiemmin olivat epäkäytännöllisiä kustannusten tai viiveen vuoksi.
Missä kokeilla MAI-Voice-1:tä
Tällä hetkellä käyttäjät testaavat MAI-Voice-1:tä Copilot Dailyn (uutisten yhteenvedot) ja Copilot Podcastsin sekä Copilot Labsin kautta . Labsissa ilmaisuvoimaiset puhe- ja kerrontademonstraatiot havainnollistavat tyylin, rytmin ja sävyn hallintaa ja lupaavat samalla korkealaatuista äänentoistoa.
Jos olet kiinnostunut kokeilemaan, suorin reitti on avata Copilot Labs ja siirtyä ääniosioon leikkiäksesi kerrontatiloilla . Vaikka odotukset ovat korkealla, on syytä muistaa, että tämä on vasta ensimmäinen erä; Microsoft jatkaa yhteisön palautteen hyödyntämistä, parametrien säätämistä ja ominaisuuksien laajentamista ajan myötä.
MAI-1-esikatselu: laajamittainen koulutettu tekstimalli
Äänimallin rinnalle tulee MAI-1-preview , Microsoftin tekoälyn ensimmäinen oma kielimalli, joka on suunniteltu noudattamaan ohjeita ja vastaamaan tehokkaasti jokapäiväisiin kysymyksiin. Valittu arkkitehtuuri on mixture-of-experts (MoE), strategia, jossa useat asiantuntijat erikoistuvat ja aktivoidaan valikoivasti tehtävän mukaan, mikä parantaa tehokkuutta ja suorituskykyä.
Koulutuksen osalta Microsoft selittää, että MAI-1-preview esikoulutettiin ja jälkikoulutettiin käyttämällä noin 15 000 Nvidia H100 -näytönohjainta . Tämä skaala tarjoaa vankan pohjan käskyjen yhdenmukaistamiselle ja käytännönläheisten vastausten antamiselle yleisissä keskustelu- ja tuottavuustilanteissa.
MoE-lähestymistapa muistuttaa viimeaikaisia trendejä edistyneissä malleissa: järjestelmän jakaminen erikoistuneisiin komponentteihin ja vain sen aktivointi kyselyä kohden. Tätä menetelmää on nähty projekteissa, kuten DeepSeek ja Qwen , joissa tehokkuudesta päättelyn aikana tulee erottava tekijä perinteisiin tiheisiin arkkitehtuureihin verrattuna.
Saatavuus, julkinen arviointi ja asteittainen käyttöönotto
MAI-1-esikatselu on nyt testattavissa LMArena- yhteisöarviointialustalla . Voit testata sitä kirjautumalla sisään, valitsemalla Suora keskustelu -tilan ja valitsemalla sitten ”mai-1-preview”, jotta kuka tahansa voi kokea sen toiminnan oikeissa keskusteluissa ja verrata sitä muihin malleihin.
Microsoft on myös alkanut ottaa käyttöön MAI-1-esikatselua Copilotissa tiettyjä tekstikäyttötapauksia varten. Tavoite on kaksitahoinen: kerätä käyttäjäpalautetta ja tarkentaa mallia edelleen reaalimaailman ympäristössä rinnakkain muiden järjestelmien kanssa, jotka tällä hetkellä tukevat yrityksen avustajan keskeisiä osa-alueita.
Samaan aikaan yritys on ottanut käyttöön API-käyttöoikeuden luotettaville testaajille ja kehittäjille varhaisessa vaiheessa. Tässä kontrolloidussa vaiheessa he voivat kerätä palautetta järjestelmän luotettavuudesta ja suorituskyvystä ennen sen avaamista laajemmalle yleisölle, kiinnittäen erityistä huomiota vastausten laatuun ja ohjeiden noudattamiseen.
Onko se korvaava OpenAI:n mallit? Rinnakkaiselo ja omat tavoitteensa
Microsoft on tehnyt selväksi, että se toistaiseksi jatkaa malliensa yhdistämistä kumppaneiden mallien ja yhteisöinnovaatioiden kanssa. Käytännössä tämä tarkoittaa, että MAI-1-esikatselun ei ole tarkoitus korvata Copilotin nykyisiä järjestelmiä. Itse asiassa yritys aikoo käyttää sitä tiettyihin tehtäviin , tulosten mittaamiseen ja käyttöönoton mukauttamiseen palautteen perusteella.
Joidenkin raporttien mukaan se ei korvaa GPT-perheen kehittyneempiä versioita Copilotissa; joka tapauksessa tärkeä seikka on, että Microsoft on siirtymässä kohti suurempaa teknologista itsenäisyyttä . Yhteistyö OpenAI:n kanssa jatkuu, mutta on vivahteikkaampaa, ja molemmat osapuolet tunnustavat nyt toisensa kilpailijoiksi tekoälymarkkinoilla.
Tämä luku sijoittuu monimutkaisen OpenAI-suhteen taustalle. Microsoft investoi voimakkaasti, ja jonkin aikaa liittouma oli keskeinen osa sen strategiaa, mutta viime vuonna se otti OpenAI:n mukaan kilpailijana Amazonin, Applen, Googlen ja Metan rinnalle. Samaan aikaan OpenAI on ilmaissut varauksensa tulevaisuuden huipputeknologioiden, kuten hypoteettisen AGI:n, jakamisesta, mikä korostaa Microsoftin omien kyvykkyyksien tarvetta.
Suunnittelufilosofia: Hyödyllinen tekoäly, ei "digitaalinen persoona"
Mittarien ja vertailuarvojen lisäksi Microsoftin tekoäly on ottanut kantaa siihen, millaista kokemusta keskustelevan tekoälyn tulisi tarjota. Suleyman on varoittanut riskistä rakentaa järjestelmiä, joilla näyttää olevan omia tunteitaan tai tavoitteitaan , mikä voi aiheuttaa ei-toivottuja odotuksia tai hämmennystä.
Tieksuunnitelmaan kuuluu järjestelmän ihmismäistävien ominaisuuksien poistaminen ja tekoälyn vahvistaminen hyödyllisenä ja vastuullisena työkaluna ilman tietoisuuden teeskentelyn sivuvaikutuksia. MAI-Voice-1:n tapauksessa tämä tarkoittaa äänen ilmaisuvoimaisuuden ja luonnollisuuden priorisointia ilman, että ylitetään rajaa ja yritetään simuloida petollisesti ihmisen tunteita .
Strategia: orkestroi erikoistuneita malleja tuotekeskeisesti
Microsoft vakuuttaa, että sen tavoitteena on luoda tiettyihin tarkoituksiin ja konteksteihin suunniteltujen mallien ekosysteemi. Käytännössä MAI-Voice-1 kattaa puhutun käyttöliittymän nopeasti ja laadukkaasti, kun taas MAI-1-preview keskittyy tekstitehtäviin, joissa käskyjen seuranta ja välitön käyttäjähyöty ovat etusijalla.
Tämä modulaarisuus mahdollistaa Copilotin ja muiden palveluiden yhdistää kunkin mallin parhaat puolet tapauksesta riippuen, olipa kyseessä sitten uutisyhteenvedon kertominen mukaansatempaavalla äänellä, tarkka vastaaminen arkipäiväiseen kysymykseen tai puhutun tuotoksen tyylin mukauttaminen podcastia tai meditaatio-opasta varten.
Käyttötapauksia ja mahdollisuuksia käyttäjille ja kehittäjille
Loppukäyttäjälle tämä tarkoittaa hyödyllisempiä vastauksia ja parempia äänikokemuksia tuotteissa, joita he jo käyttävät. Sisältö- tai podcast-tiimeille korkealaatuinen ja matalan latenssin äänimoottori tarkoittaa enemmän ja parempaa sisältöä vähemmällä teknisellä kitkalla.
Kehittäjille varhainen pääsy MAI-1-esikatselu-API:n kautta avaa oven prototyyppien luomiseen ja kontrolloituun testaukseen, jolloin he voivat arvioida, missä tämä malli tarjoaa etuja muihin verrattuna. LMArena-vaihe mahdollistaa myös kontekstuaalisten vertailujen ja reaalimaailman mittareiden keräämisen vastauslaadusta ja ohjeiden noudattamiskyvystä.
- UsuariosParannettu ääni Copilot Dailyssä ja Podcasteissa; luonnollisempi vuorovaikutus.
- LuojatTyyliltään ja rytmillään hallittuja kertomuksia ja käsikirjoituksia.
- yritykset: ääniavustajat, joilla on erittäin pieni latenssi ja korkea ilmaisuvoimakkuus.
- KehittäjätLMArena-testaus ja varhainen API-käyttöoikeus nopeaa iteraatiota varten.
Mitä odottaa lyhyellä aikavälillä
Lyhyellä aikavälillä näemme MAI-1-esikatselun toimivan rinnakkain muiden Copilot-mallien kanssa valituissa tekstikäyttötapauksissa, kun Microsoft analysoi palautetta ja julkaisee parannuksia. Tämä asteittainen lähestymistapa antaa meille mahdollisuuden mitata vaikutusta ja hienosäätää käyttökokemusta vaarantamatta yleistä käyttökokemusta.
Samanaikaisesti yrityksen odotetaan kehittävän MAI-Voice-1:tä edelleen Copilot Labsissa ja tuotteissa, joissa se on jo käytössä. Lisäämällä puheskenaarioita ja -esimerkkejä Microsoft pystyy paremmin validoimaan mallin vasteen erilaisiin tyyleihin ja todellisiin tuotantohaasteisiin.
Tulevaisuuden suunnan merkkejä
Microsoftin sävy on yksiselitteinen: tavoitteena on tavoittaa miljardeja ihmisiä tuotteidensa kautta kehittämällä malleja ja laskentatehoa. MAI-1 on perheen alku, ja on kohtuullista odottaa muunnelmia ja uusia iteraatioita, jotka hienosäätävät tasapainoa laadun, kustannusten ja viiveen välillä.
Kilpailun osalta MoE-strategia tekstimalleissa viittaa siihen, että Microsoft jatkaa tehokkaiden päättelyarkkitehtuurien tutkimista, mikä on keskeinen tekijä massamarkkinoiden tuotteiden skaalaamisessa suuriin volyymeihin. MAI-Voice-1-tapaus vahvistaa entisestään, että ääni on ensisijainen prioriteetti avustajien tulevana käyttöliittymänä .
Suhde ekosysteemiin ja julkisuuskuva
Suhde OpenAI:n kanssa pysyy ajankohtaisena, mutta Microsoft on jo osoittanut, ettei se halua olla sidottu yhteen innovaatiolähteeseen. Se jatkaa tiiminsä , kumppaneidensa ja avoimen yhteisön parhaiden puolien integrointia, kunhan se tuo lisäarvoa tuotteille ja asiakkaille. Samaan aikaan se asemoi oman brändinsä (MAI) välineeksi autonomian saavuttamiseksi strategisissa kysymyksissä.
Tämä tasapainoilu – rinnakkaiselo nyt ja suurempi itsenäisyys huomenna – voisi kiihdyttää kilpailua avustajien ja tuottavuuden saralla. Käyttäjille haluttu vaikutus on selvä: laajempi valikoima työkaluja ja käytännöllisempi versio siitä, mikä todella ratkaisee arkipäivän ongelmia.
Microsoftin lähestymistapa MAI-Voice-1:een ja MAI-1-esikatseluun yhdistää käytännöllisyyden ja nopeuden: tehokas ja ilmeikäs äänimalli, joka jo toimii Copilotin kokemusten perustana, ja laajamittainen MoE-tyyppinen tekstimalli , jota aletaan ottaa käyttöön kontrolloiduissa ympäristöissä, voidaan testata LMArenassa ja se avataan API:n kautta luotettaville testaajille. Nouseva tavoite on selvä: tuotteisiin integroidut erikoismallit, jotka mukautuvat jokaisen henkilön päivittäisiin tarpeisiin.
