- MAI-Voice-1 generira visokokvalitetni ekspresivni glas s ultra niskom latencijom koristeći jedan GPU.
- MAI-1-preview je MoE model obučen s ~15.000 100 HXNUMX, usmjeren na praćenje uputa.
- Oba se postupno integriraju u Copilot i mogu se testirati u Labsu 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 tvrtka cilja na strategiju proizvoda u kojoj njezini asistenti i usluge imaju koristi od specijaliziranih modela, dizajniranih i za glas i za tekst.
Cilj tehnološke tvrtke je učiniti umjetnu inteligenciju "vratima u svemir znanja", orkestrirajući skup pouzdanih sustava koji razumiju svakog korisnika. To se prevodi u dvije ključne inovacije: vrlo brz i ekspresivan glasovni model te tekstualni model mješavine stručnjaka usmjeren na praćenje uputa i pružanje korisnih odgovora za svakodnevnu upotrebu.
Što je MAI i zašto baš sada?
MAI je akronim za Microsoft AI , brend pod kojim tvrtka sa sjedištem u Redmondu obuhvaća 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 svoj popis konkurenata . Unatoč tome, tvrtka inzistira da će nastaviti koristiti „najbolje modele“ 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 dao do znanja cilj: stvoriti „AI primijenjen kao platforma za proizvode“. Drugim riječima, specijalizirane modele koji se integriraju u Copilot i druga iskustva, učinkovito pokrivajući specifične glasovne i tekstualne potrebe.
MAI-Voice-1: glasovni model koji daje prioritet brzini i ekspresivnosti
Prvi koji će biti predstavljen je MAI-Voice-1 , sustav za sintezu glasa sposoban generirati ekspresivan, visokokvalitetan zvuk 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.
Osim brzine, jedna od njegovih snaga je ekspresivnost: model podržava različite stilove, tonove i nijanse u glasovnom prijenosu, dizajniran za naraciju ili govorne vodiče . U scenarijima s jednim ili više glasova, rezultat je ono što Microsoft opisuje kao "vrlo ekspresivan i prirodan" glas.
Učinkovitost je također ključna značajka: MAI-Voice-1 radi s jednom grafičkom procesorskom karticom za inferenciju, što ga svrstava među najučinkovitije glasovne sustave koji su trenutno dostupni. U ekosustavu gdje su računalni troškovi 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 Podcaste , 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 što s tim možete učiniti 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 glasovnim varijacijama i tonovima.
Unutar Copilot Labsa, značajka " Audio Expressions " omogućuje vam generiranje zvuka iz scenarija i izmjenu stila naracije. Uključuje načine rada kao što su Emocionalni način rada (za podešavanje tona i ritma ili dodjeljivanje različitih glasova) i Način 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 razgovorom u stvarnom vremenu. Smanjena latencija, u kombinaciji s ekspresivnošću, otvara vrata glatkijim iskustvima u glasovnim sučeljima gdje je prirodnost ključna.
- Dinamična naracija za priče, podcast ili edukaciju.
- vođene meditacije i wellness sadržaj s tonalnim varijacijama.
- Pomoćnici u razgovoru u (gotovo) stvarnom vremenu, ovisno o kontekstu.
- Brza izrada prototipa u Copilot Labsima s prilagodbama stila i glasa.
Računalna učinkovitost: jedna minuta zvuka za manje od jedne sekunde
Generiranje visokokvalitetnog, ekspresivnog zvuka zahtijeva tehničku vještinu, ali MAI-Voice-1 se može pohvaliti time što to postiže s jednom grafičkom procesorskom jedinicom 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 sustavi natječu u kvaliteti i brzini, Microsoft pozicionira MAI-Voice-1 među najučinkovitije dostupne sustave. Ta učinkovitost ne samo da se prevodi u uštedu troškova, već omogućuje i slučajeve upotrebe koji su prije bili nepraktični zbog troškova ili latencije.
Gdje isprobati MAI-Voice-1
Danas korisnici testiraju MAI-Voice-1 putem Copilot Daily (sažeci vijesti) i Copilot Podcastsa , kao i Copilot Labsa . U Labsima, demonstracije ekspresivnog govora i naracije pokazuju stupanj kontrole nad stilom, ritmom i tonom, a sve uz obećanje visokovjernog zvuka.
Ako ste zainteresirani za eksperimentiranje, najizravniji put je otvoriti Copilot Labs i pristupiti 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 tijekom vremena.
MAI-1-pregled: model obučenog teksta velikih razmjera
Uz glasovni model dolazi i MAI-1-preview , prvi vlasnički jezični model tvrtke Microsoft AI dizajniran za učinkovito praćenje uputa i odgovaranje na svakodnevne upite. Odabrana arhitektura je mješavina stručnjaka (MoE), strategija u kojoj se više stručnjaka specijalizira i selektivno aktivira ovisno o zadatku, poboljšavajući učinkovitost 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 čvrstu 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 sustava na specijalizirane komponente i aktiviranje samo onoga što je potrebno po upitu. Ova shema je viđena u projektima poput DeepSeek i Qwen , gdje učinkovitost tijekom zaključivanja postaje faktor razlikovanja u usporedbi s tradicionalnim gustim arhitekturama.
Dostupnost, javna evaluacija i postupno uvođenje
MAI-1-preview je sada dostupan za testiranje na platformi za evaluaciju zajednice LMArena . Za testiranje se jednostavno prijavite, odaberite način izravnog chata i odaberite "mai-1-preview" kako bi svatko mogao iskusiti njegovo ponašanje u stvarnim razgovorima i usporediti ga s drugim modelima.
Microsoft je također počeo implementirati MAI-1-preview u Copilotu za određene slučajeve upotrebe teksta. Cilj je dvostruk: prikupiti povratne informacije korisnika i dodatno poboljšati model u stvarnom okruženju, koegzistirajući s drugim sustavima koji trenutno podupiru ključne aspekte pomoćnika tvrtke.
Paralelno s tim, tvrtka je omogućila pristup API-ju za pouzdane testere i razvojne programere u ranom pristupu. Ova kontrolirana faza omogućit će im prikupljanje povratnih informacija o robusnosti i performansama prije nego što ga otvore široj publici, s posebnom pažnjom na kvalitetu odgovora i usklađenost s uputama.
Je li to zamjena za OpenAI-jeve modele? Koegzistencija i vlastita ambicija
Microsoft je jasno dao do znanja da će zasad nastaviti kombinirati svoje modele s modelima partnera i inovacijama zajednice. U praksi to znači da MAI-1-preview nije namijenjen zamjeni sustava koji trenutno pokreću Copilot. Zapravo, tvrtka planira koristiti ga za specifične zadatke , mjereći rezultate i prilagođavajući implementaciju na temelju povratnih informacija.
Neka izvješća ukazuju na to da neće zamijeniti naprednije verzije GPT obitelji u Copilotu; u svakom slučaju, važno je da se Microsoft kreće prema većoj tehnološkoj neovisnosti . Suradnja s OpenAI-jem se nastavlja, ali je nijansiranija, a obje strane sada se međusobno prepoznaju kao konkurenti na tržištu umjetne inteligencije.
Ovo poglavlje smješteno je u kontekst složenog odnosa s OpenAI-jem. Microsoft je uložio velika sredstva i neko vrijeme savez je bio središnji dio njihove strategije, ali prošle godine uključio je OpenAI kao konkurenta uz Amazon, Apple, Google i Metu. Istovremeno, OpenAI je izrazio rezerve prema dijeljenju budućih vrhunskih tehnologija, poput hipotetske AGI, što naglašava potrebu da Microsoft ima vlastite mogućnosti.
Filozofija dizajna: Korisna umjetna inteligencija, a ne „digitalna persona“
Osim metrike i mjerila, Microsoft AI zauzeo je stav o iskustvu koje bi konverzacijska umjetna inteligencija trebala ponuditi. Suleyman je upozorio na rizik izgradnje sustava koji se čine kao da imaju vlastite osjećaje ili ciljeve , nešto što bi moglo stvoriti neželjena očekivanja ili zbunjenost.
Plan uključuje uklanjanje značajki koje antropomorfiziraju sustav, ojačavajući umjetnu 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 inzistira da mu je cilj orkestrirati ekosustav modela dizajniranih za specifične namjere i kontekste. U praksi, MAI-Voice-1 pokriva govorno sučelje 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 omogućuje Copilotu i drugim uslugama da kombiniraju najbolje od svakog modela ovisno o slučaju, bilo da se radi o pripovijedanju sažetka vijesti uvjerljivim glasom, točnom odgovaranju na svakodnevni upit ili prilagođavanju stila govornog izlaza za podcast ili vodič za meditaciju.
Primjeri upotrebe i prilike za korisnike i razvojne programere
Za krajnjeg korisnika to se prevodi u korisnije odgovore i poboljšana glasovna iskustva u proizvodima koje već koriste. Za timove za sadržaj ili podcaste, visokokvalitetni glasovni mehanizam s niskom latencijom znači proizvodnju više i boljeg sadržaja uz manje tehničkih problema.
Za razvojne programere, rani pristup putem MAI-1-preview API-ja otvara vrata izradi prototipova i kontroliranom testiranju, omogućujući im da procijene gdje ovaj model nudi prednosti u odnosu na druge. Faza LMArena također omogućuje kontekstualne usporedbe i prikupljanje stvarnih metrika o kvaliteti odgovora i sposobnosti praćenja uputa.
- KorisniciPoboljšan glas u Copilot Daily i Podcastima; prirodnija interakcija.
- KreatoriNaracije i scenariji s kontrolom stila i ritma.
- tvrtke: glasovni asistenti s vrlo niskom latencijom i visokom ekspresivnošću.
- programeriTestiranje LMArene i rani pristup API-ju za brzu iteraciju.
Što očekivati u kratkom roku
Kratkoročno ćemo vidjeti kako MAI-1-preview koegzistira s drugim modelima u Copilotu za odabrane slučajeve upotrebe teksta dok Microsoft analizira povratne informacije i uvodi poboljšanja. Ovaj postupni pristup omogućuje nam mjerenje utjecaja i fino podešavanje iskustva bez ugrožavanja cjelokupnog korisničkog iskustva.
Paralelno s tim, očekuje se da će tvrtka dalje razvijati MAI-Voice-1 unutar Copilot Labsa i proizvoda u kojima je već implementiran. Dodavanjem više govornih scenarija i primjera, Microsoft će moći bolje validirati odgovor modela na različite stilove i stvarne produkcijske izazove.
Znakovi budućeg smjera
Microsoftov ton je nedvosmislen: postoji ambicija dosegnuti milijarde ljudi putem svojih proizvoda, s napretkom u modelima i računalnoj snazi. MAI-1 je početak obitelji i razumno je očekivati varijacije i nove iteracije koje fino podešavaju ravnotežu između kvalitete, cijene i latencije.
Na konkurentskom planu, MoE strategija u tekstualnim modelima sugerira da će Microsoft nastaviti istraživati učinkovite arhitekture zaključivanja, ključni faktor u skaliranju na velike količine u proizvodima za masovno tržište. Slučaj MAI-Voice-1 dodatno potvrđuje da je glas prioritet kao buduće sučelje za asistente.
Odnos s ekosustavom 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 strateški važan.
Ovaj čin balansiranja - suživot sada i veća neovisnost sutra - mogao bi ubrzati konkurenciju u asistentima i produktivnost. Za korisnike je željeni učinak 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: učinkovit i ekspresivan glasovni model koji već pokreće iskustva u Copilotu, te tekstualni model velikog opsega tipa MoE 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 svakodnevnim potrebama svake osobe.
