- MAI-Voice-1 menghasilkan suara ekspresif fidelitas tinggi dengan latensi sangat rendah menggunakan satu GPU.
- MAI-1-preview adalah model MoE yang dilatih dengan ~15.000 H100, yang difokuskan pada mengikuti instruksi.
- Keduanya secara bertahap diintegrasikan ke dalam Copilot dan dapat diuji di Lab dan LMArena.
- Strategi: Mengatur model-model khusus sambil hidup berdampingan dengan OpenAI.
Gambar yang luar biasa
Microsoft telah mengambil langkah dengan meluncurkan model kecerdasan buatan (AI) miliknya yang pertama di bawah payung Microsoft AI: MAI-Voice-1 dan MAI-1-preview . Dengan langkah ini, perusahaan tersebut bertujuan untuk strategi produk di mana asisten dan layanannya mendapatkan manfaat dari model khusus, yang dirancang untuk suara dan teks.
Tujuan perusahaan teknologi ini adalah menjadikan AI sebagai "gerbang menuju alam semesta pengetahuan," dengan mengatur serangkaian sistem andal yang memahami setiap pengguna. Hal ini diterjemahkan ke dalam dua inovasi utama: model suara yang sangat cepat dan ekspresif, serta model teks gabungan para ahli yang berfokus pada mengikuti instruksi dan memberikan jawaban yang bermanfaat untuk penggunaan sehari-hari.
Apa itu MAI dan mengapa sekarang?
MAI adalah akronim untuk Microsoft AI , merek yang digunakan perusahaan yang berbasis di Redmond ini untuk model-model dasarnya sendiri. Konteks penting: hubungan dengan OpenAI berlanjut, tetapi semakin kompetitif, hingga Microsoft memasukkan OpenAI ke dalam daftar pesaingnya . Meskipun demikian, perusahaan tersebut bersikeras akan terus menggunakan "model terbaik" dari mitra dan komunitas terbuka di mana hal itu masuk akal.
Di balik peluncuran ini terdapat Mustafa Suleyman , CEO Microsoft AI dan salah satu pendiri DeepMind, yang telah memperjelas tujuannya: untuk menciptakan “AI yang diterapkan sebagai platform untuk produk.” Dengan kata lain, model khusus yang terintegrasi ke dalam Copilot dan pengalaman lainnya, secara efisien memenuhi kebutuhan suara dan teks tertentu.
MAI-Voice-1: model suara yang mengutamakan kecepatan dan ekspresi
Yang pertama diperkenalkan adalah MAI-Voice-1 , sebuah sistem sintesis suara yang mampu menghasilkan audio ekspresif dan berkualitas tinggi dengan latensi sangat rendah. Keunggulan utamanya adalah kemampuannya menghasilkan audio selama satu menit dalam waktu kurang dari satu detik , sambil mempertahankan naturalitas dan variasi intonasi.
Selain kecepatan, salah satu keunggulannya adalah ekspresivitas: model ini mendukung berbagai gaya, nada, dan nuansa dalam sulih suara, yang dirancang untuk narasi atau panduan lisan . Dalam skenario suara tunggal atau multi-suara, hasilnya adalah apa yang digambarkan Microsoft sebagai suara yang "sangat ekspresif dan alami".
Efisiensi juga merupakan fitur utama: MAI-Voice-1 beroperasi dengan satu GPU untuk inferensi, menempatkannya di antara sistem suara paling efisien yang tersedia saat ini. Dalam ekosistem di mana biaya komputasi signifikan, optimasi ini sangat penting untuk meningkatkan fungsionalitas ke produk konsumen.
Dari segi ketersediaan, MAI-Voice-1 sudah terintegrasi ke dalam Copilot Daily dan Podcasts , dan juga ditawarkan sebagai pengalaman baru di dalam Copilot Labs . Di sana, dimungkinkan untuk bereksperimen dengan narasi dan ucapan ekspresif, menyesuaikan gaya dan menjelajahi berbagai suara dalam batasan lab.
Seperti apa kedengarannya dan apa yang dapat Anda lakukan dengannya hari ini
Mereka yang telah mencobanya mengatakan bahwa audionya terdengar sangat alami , dengan kontrol intonasi dan ritme yang baik. Namun, perlu dicatat bahwa saat ini hanya tersedia dalam bahasa Inggris . Microsoft menawarkan contoh tipikal: mintalah "sebuah cerita tentang dinosaurus" dan Anda akan segera menerima cerita berdurasi satu menit dengan variasi suara dan nada yang sesuai.
Di dalam Copilot Labs, fitur " Audio Expressions " memungkinkan Anda untuk menghasilkan audio dari sebuah skrip dan memodifikasi gaya narasi. Fitur ini mencakup mode seperti Mode Emosional (untuk menyesuaikan nada dan ritme, atau menetapkan suara yang berbeda) dan Mode Cerita yang ditujukan untuk narasi ekspresif. Idenya adalah untuk memfasilitasi pengujian dan pembuatan prototipe bagi mereka yang ingin mengeksplorasi berbagai kemungkinan tanpa harus menyiapkan lingkungan yang kompleks.
Di antara berbagai kasus penggunaan, Microsoft menyebutkan segala hal mulai dari bercerita dan narasi hingga meditasi terpandu, serta potensi asisten virtual dengan percakapan waktu nyata. Latensi yang berkurang, dikombinasikan dengan ekspresivitas, membuka pintu menuju pengalaman yang lebih lancar dalam antarmuka suara di mana naturalitas sangat penting.
- Narasi dinamis untuk cerita, podcast atau pendidikan.
- meditasi terpandu dan konten kesehatan dengan variasi nada.
- Asisten percakapan dalam waktu (hampir) nyata, tergantung konteks.
- Pembuatan prototipe cepat di Copilot Labs dengan penyesuaian gaya dan suara.
Efisiensi komputasi: satu menit audio dalam waktu kurang dari satu detik
Menghasilkan audio berkualitas tinggi dan ekspresif membutuhkan keahlian teknis, tetapi MAI-Voice-1 membanggakan pencapaian ini dengan satu GPU , dan dengan latensi sangat rendah. Angkanya mengesankan: satu menit audio dalam waktu kurang dari satu detik . Untuk produk konsumen, kombinasi ini—latensi rendah dan biaya terjangkau—sangat penting untuk menghadirkan pengalaman yang mulus dan terukur.
Dalam lanskap saat ini, di mana sistem suara bersaing dalam hal kualitas dan kecepatan, Microsoft memposisikan MAI-Voice-1 sebagai salah satu sistem paling efisien yang tersedia. Efisiensi ini tidak hanya menghasilkan penghematan biaya tetapi juga memungkinkan kasus penggunaan yang sebelumnya tidak praktis karena biaya atau latensi.
Di mana mencoba MAI-Voice-1
Saat ini, MAI-Voice-1 sedang diuji oleh pengguna melalui Copilot Daily (ringkasan berita) dan Copilot Podcasts , serta Copilot Labs . Di Labs, demonstrasi ucapan ekspresif dan narasi menunjukkan sejauh mana kontrol atas gaya, ritme, dan nada, semuanya dengan janji keluaran fidelitas tinggi.
Jika Anda tertarik untuk bereksperimen, cara paling langsung adalah membuka Copilot Labs dan mengakses bagian suara untuk mencoba berbagai mode narasi . Meskipun ekspektasinya tinggi, perlu diingat bahwa ini hanyalah tahap awal; Microsoft akan terus melakukan iterasi berdasarkan umpan balik komunitas, menyesuaikan parameter, dan memperluas kemampuan seiring waktu.
Pratinjau MAI-1: model teks terlatih skala besar
Bersamaan dengan model suara, hadir pula MAI-1-preview , model bahasa milik Microsoft AI pertama yang dirancang untuk mengikuti instruksi dan menjawab pertanyaan sehari-hari secara efektif. Arsitektur yang dipilih adalah mixture-of-experts (MoE), sebuah strategi di mana beberapa ahli memiliki spesialisasi dan diaktifkan secara selektif tergantung pada tugasnya, sehingga meningkatkan efisiensi dan kinerja.
Dari segi pelatihan, Microsoft menjelaskan bahwa MAI-1-preview telah dilatih sebelumnya dan dilatih ulang menggunakan sekitar 15.000 GPU Nvidia H100 . Skala ini memberikan dasar yang kuat untuk penyelarasan instruksi dan untuk memberikan respons praktis dalam skenario obrolan dan produktivitas umum.
Pendekatan MoE mengingatkan kita pada tren terkini dalam model-model canggih: membagi sistem menjadi komponen-komponen khusus dan hanya mengaktifkan apa yang diperlukan per kueri. Skema ini telah terlihat dalam proyek-proyek seperti DeepSeek dan Qwen , di mana efisiensi selama inferensi menjadi faktor pembeda dibandingkan dengan arsitektur padat tradisional.
Ketersediaan, evaluasi publik, dan penerapan progresif
MAI-1-preview kini tersedia untuk pengujian di platform evaluasi komunitas LMArena . Untuk mengujinya, cukup masuk, pilih mode Obrolan Langsung , dan pilih “mai-1-preview” agar siapa pun dapat merasakan perilakunya dalam percakapan nyata dan membandingkannya dengan model lain.
Microsoft juga telah mulai menerapkan MAI-1-preview di Copilot untuk kasus penggunaan teks tertentu. Tujuannya ada dua: untuk mengumpulkan umpan balik pengguna dan untuk lebih menyempurnakan model dalam lingkungan dunia nyata, berdampingan dengan sistem lain yang saat ini mendukung aspek-aspek kunci dari asisten perusahaan.
Secara paralel, perusahaan telah mengaktifkan akses API untuk penguji dan pengembang tepercaya dalam akses awal. Fase terkontrol ini akan memungkinkan mereka untuk mengumpulkan umpan balik tentang ketahanan dan kinerja sebelum membukanya untuk khalayak yang lebih luas, dengan perhatian khusus pada kualitas respons dan kepatuhan terhadap instruksi.
Apakah ini pengganti model OpenAI? Koeksistensi dan ambisinya sendiri
Microsoft telah memperjelas bahwa, untuk saat ini, mereka akan terus menggabungkan model mereka dengan model dari mitra dan dengan inovasi komunitas. Dalam praktiknya, ini berarti bahwa MAI-1-preview tidak dimaksudkan untuk menggantikan sistem yang saat ini mendukung Copilot. Bahkan, perusahaan berencana untuk menggunakannya untuk tugas-tugas spesifik , mengukur hasilnya, dan menyesuaikan penerapannya berdasarkan umpan balik.
Beberapa laporan menunjukkan bahwa hal itu tidak akan menggantikan versi yang lebih canggih dari keluarga GPT di Copilot; bagaimanapun, poin pentingnya adalah Microsoft bergerak menuju kemandirian teknologi yang lebih besar . Kolaborasi dengan OpenAI berlanjut, tetapi lebih bernuansa, dengan kedua pihak sekarang saling mengakui sebagai pesaing di pasar AI.
Bab ini berlatar belakang hubungan yang kompleks dengan OpenAI. Microsoft berinvestasi besar-besaran, dan untuk sementara waktu aliansi tersebut menjadi inti strategi mereka, tetapi tahun lalu mereka memasukkan OpenAI sebagai pesaing bersama Amazon, Apple, Google, dan Meta. Pada saat yang sama, OpenAI telah menyatakan keberatan tentang berbagi teknologi mutakhir di masa depan, seperti AGI hipotetis, yang menggarisbawahi perlunya Microsoft untuk memiliki kemampuan sendiri.
Filosofi Desain: AI yang Berguna, Bukan “persona digital”
Di luar metrik dan tolok ukur, Microsoft AI telah mengambil sikap tentang pengalaman yang seharusnya ditawarkan oleh AI percakapan. Suleyman telah memperingatkan tentang risiko membangun sistem yang tampaknya memiliki perasaan atau tujuan sendiri, sesuatu yang dapat menimbulkan harapan atau kebingungan yang tidak diinginkan.
Rencana pengembangan ini mencakup penghapusan fitur-fitur yang mengantropomorfisasi sistem, memperkuat AI yang merupakan alat yang berguna dan bertanggung jawab, tanpa efek samping berupa berpura-pura memiliki kesadaran. Dalam kasus MAI-Voice-1, ini berarti memprioritaskan ekspresivitas dan naturalitas dalam suara tanpa melewati batas hingga secara menipu mensimulasikan emosi manusia .
Strategi: mengatur model khusus dengan fokus produk
Microsoft menegaskan bahwa tujuannya adalah untuk mengatur ekosistem model yang dirancang untuk tujuan dan konteks tertentu. Dalam praktiknya, MAI-Voice-1 mencakup antarmuka lisan dengan kecepatan dan kualitas, sementara MAI-1-preview berfokus pada tugas teks di mana pelacakan instruksi dan utilitas pengguna langsung menjadi unggulan.
Modularitas ini memungkinkan Copilot dan layanan lainnya untuk menggabungkan yang terbaik dari setiap model tergantung pada kasusnya, baik itu menarasikan ringkasan berita dengan suara yang menarik, menjawab pertanyaan sehari-hari secara akurat, atau menyesuaikan gaya keluaran lisan untuk podcast atau panduan meditasi.
Kasus penggunaan dan peluang bagi pengguna dan pengembang
Bagi pengguna akhir, ini berarti respons yang lebih membantu dan pengalaman suara yang lebih baik pada produk yang sudah mereka gunakan. Bagi tim konten atau podcast, memiliki mesin suara dengan fidelitas tinggi dan latensi rendah berarti menghasilkan konten yang lebih banyak dan lebih baik dengan hambatan teknis yang lebih sedikit.
Bagi para pengembang, akses awal melalui API pratinjau MAI-1 membuka pintu untuk pembuatan prototipe dan pengujian terkontrol, memungkinkan mereka untuk mengevaluasi di mana model ini menawarkan keunggulan dibandingkan model lain. Fase LMArena juga memungkinkan perbandingan kontekstual dan pengumpulan metrik dunia nyata tentang kualitas respons dan kemampuan untuk mengikuti instruksi.
- Pengguna: Peningkatan suara pada Copilot Daily dan Podcast; interaksi yang lebih alami.
- Pencipta:Narasi dan naskah dengan kontrol gaya dan ritme.
- perusahaan: asisten suara dengan latensi sangat rendah dan ekspresifitas tinggi.
- Pengembang: Pengujian LMArena dan akses API awal untuk iterasi cepat.
Apa yang diharapkan dalam jangka pendek
Dalam jangka pendek, kita akan melihat MAI-1-preview berdampingan dengan model lain di Copilot untuk kasus penggunaan teks tertentu sementara Microsoft menganalisis umpan balik dan meluncurkan peningkatan. Pendekatan bertahap ini memungkinkan kita untuk mengukur dampak dan menyempurnakan pengalaman tanpa mengorbankan pengalaman pengguna secara keseluruhan.
Secara paralel, perusahaan diharapkan untuk mengembangkan lebih lanjut MAI-Voice-1 di dalam Copilot Labs dan produk-produk tempat model tersebut sudah diimplementasikan. Dengan menambahkan lebih banyak skenario dan contoh ucapan, Microsoft akan dapat memvalidasi respons model terhadap berbagai gaya dan tantangan produksi di dunia nyata dengan lebih baik.
Tanda-tanda arah masa depan
Nada bicara Microsoft sangat jelas: ada ambisi untuk menjangkau miliaran orang melalui produk-produknya, dengan kemajuan dalam model dan daya komputasi. MAI-1 adalah awal dari sebuah keluarga, dan wajar untuk mengharapkan variasi dan iterasi baru yang menyempurnakan keseimbangan antara kualitas, biaya, dan latensi.
Dari segi persaingan, strategi MoE dalam model teks menunjukkan bahwa Microsoft akan terus mengeksplorasi arsitektur inferensi yang efisien , faktor kunci dalam meningkatkan skala ke volume tinggi pada produk pasar massal. Kasus MAI-Voice-1 semakin menegaskan bahwa suara adalah prioritas sebagai antarmuka masa depan untuk asisten.
Hubungan dengan ekosistem dan sikap publik
Hubungan dengan OpenAI akan tetap relevan, tetapi Microsoft telah menunjukkan bahwa mereka tidak ingin terikat pada satu sumber inovasi saja. Mereka akan terus mengintegrasikan yang terbaik dari tim mereka , mitra, dan komunitas terbuka, selama hal itu memberikan nilai tambah bagi produk dan pelanggan. Pada saat yang sama, mereka memposisikan merek mereka sendiri (MAI) sebagai wahana untuk mencapai otonomi di bidang yang strategis.
Tindakan penyeimbangan ini—koeksistensi saat ini dan kemandirian yang lebih besar di masa depan—dapat mempercepat persaingan dalam hal asisten dan produktivitas. Bagi pengguna, efek yang diinginkan jelas: variasi alat yang lebih luas dan iterasi yang lebih praktis tentang apa yang benar-benar memecahkan masalah sehari-hari.
Pendekatan Microsoft dengan MAI-Voice-1 dan MAI-1-preview menggabungkan pragmatisme dan kecepatan: model suara yang efisien dan ekspresif yang sudah mendukung pengalaman di Copilot, dan model teks tipe MoE skala besar yang mulai diterapkan di lingkungan terkontrol, dapat diuji di LMArena, dan dibuka melalui API kepada penguji tepercaya. Tujuan yang muncul jelas: model khusus, terintegrasi ke dalam produk, yang beradaptasi dengan kebutuhan sehari-hari setiap orang.
