- MAI‑Voice‑1 (Ultra-Fast Voice) dan MAI‑1‑Preview (Teks dengan MoE) tiba sebagai model dalaman pertama Microsoft.
- MAI-Voice-1 menjana 1 minit audio dalam <1 s menggunakan GPU dan kini tersedia dalam Copilot Daily, Podcasts dan Labs.
- Pratonton MAI‑1‑dilatih pada kira-kira 15.000 H100, sedang disepadukan ke dalam Copilot secara terhad, dan sedang diuji di LMArena.
- Strategi: Kurangkan pergantungan pada OpenAI dan atur model khusus dengan tumpuan kepada pengguna.

Microsoft telah mengambil langkah dan sedang mempersembahkan model kecerdasan buatan pertama yang dibangunkan secara dalaman, satu langkah yang menandakan perubahan rentak dalam strateginya dan ditujukan terus kepada orang awam dengan MAI-Voice-1 dan MAI-1-preview.
Jenama MAI bermaksud “Microsoft AI” dan ia hadir dengan dua tawaran yang sangat jelas: satu tertumpu pada pertuturan ultra pantas dan satu lagi pada teks dengan seni bina pakar. Ini meletakkan syarikat pada landasan yang lebih bebas berbanding OpenAI, mengekalkan kerjasama tetapi memacu masa depannya ke arah modelnya sendiri yang mampu bersaing dengan ChatGPT, Gemini dan lain-lain dalam AI generatif.
Apakah MAI-Voice-1 dan MAI-1-pratonton?

MAI-1-preview, menurut Microsoft, merupakan model dalaman dengan seni bina Campuran-Pakar (MoE) yang dilatih dalam dua peringkat (pra-latihan dan pasca-latihan) pada kira-kira 15.000 GPU NVIDIA H100. Konfigurasi "pakar" ini hanya mengaktifkan subkomponen yang diperlukan untuk setiap tugas, bagi mendapatkan kecekapan dan kesesuaian yang lebih baik dengan niat pengguna.
Berkenaan produk ini, syarikat tersebut menyatakan bahawa model teks ini direka bentuk untuk mengikuti arahan dan memberikan jawapan yang berguna kepada pertanyaan harian . Oleh itu, pelancaran awalnya akan dikawal: ia akan diperkenalkan kepada beberapa senario teks dalam Copilot dalam beberapa minggu akan datang untuk belajar daripada interaksi dan maklum balas dunia sebenar.
Selain penyepaduan secara beransur-ansur ini, Microsoft telah membolehkan pengujian awam pada platform LMArena untuk mengumpulkan lebih banyak isyarat berkualiti tinggi. Dan, secara selari, ia merancang untuk menyediakannya kepada pembangun melalui API, sekali gus memperkukuh proses penilaian dan penambahbaikan berterusan model tersebut.
Syarikat itu menekankan bahawa ia tidak akan meninggalkan enjin AI yang lain: ia akan terus menggunakan model terbaik daripada pasukannya sendiri, rakan kongsi seperti Anthropic , dan ekosistem sumber terbuka di tempat yang sesuai. Dalam jangka pendek, MAI-1-preview tidak bertujuan untuk menggantikan GPT-5 dalam Copilot; sebaliknya, ia akan digunakan dalam kes tertentu di mana ia boleh menawarkan kelebihan yang jelas.
Sementara itu, MAI-Voice-1 ialah tawaran suara Microsoft: model generatif "sangat ekspresif dan semula jadi" yang sedia ada dalam Copilot Daily dan Podcasts, dan juga boleh diakses sebagai pengalaman baharu dalam Copilot Labs. Visi di sebaliknya adalah jelas: "suara ialah antara muka masa depan" untuk pembantu AI yang lebih berguna dan mesra pengguna.
Janji teknikalnya amat menarik: ia boleh menghasilkan audio selama satu minit dalam masa kurang daripada satu saat menggunakan satu GPU . Kelajuan ini, digabungkan dengan timbre berfideliti tinggi dan keupayaan untuk mengendalikan senario dengan satu atau lebih pelakon suara, meletakkan MAI-Voice-1 antara sistem sintesis pertuturan paling cekap yang terdapat pada hari ini.
Dalam ujian dan demonstrasi awam, audio kedengaran sangat lancar, dengan intonasi dan rentak yang meyakinkan, walaupun sokongan bahasa kini terhad kepada bahasa Inggeris . Penyesuaian gaya dan suara diterokai melalui Copilot Labs, di mana Microsoft telah melancarkan pengalaman seperti "Copilot Audio Expressions".
Satu perincian yang aneh: nama yang dipilih (MAI-Voice-1 dan MAI-1-preview) adalah jelas dan “sangat seperti jurutera .” Selain anekdot itu, perkara yang relevan ialah ia menandakan pelan tindakan ke arah katalog model khusus dengan tumpuan pengguna, mengutamakan kelajuan, kecekapan dan kemudahan penggunaan.
MAI-Voice-1: keupayaan, kegunaan dan tempat untuk mencubanya

MAI-Voice-1 dipersembahkan sebagai sistem audio generatif berfideliti tinggi yang mampu mengalih suara, menceritakan dan mencipta alih suara dalam sekelip mata. Daya tarikan utamanya ialah kependaman: menjana audio sehingga seminit dalam masa kurang daripada satu saat dengan GPU tunggal membolehkan aplikasi hampir masa nyata.
Integrasi awal telah dilaksanakan dalam Copilot Daily dan Podcasts , di mana AI telah mensintesis ringkasan dan segmen lisan. Untuk bereksperimen dengan gaya dan nuansa, Copilot Labs melancarkan "Copilot Audio Expressions," dengan demonstrasi narasi dan pertuturan ekspresif untuk diterokai oleh pengguna.
Dalam pengalaman ini, Microsoft memperkenalkan pilihan seperti Mod Emosi (mengawal nada dan rentak) atau Mod Cerita dengan narasi yang lebih teaterikal. Matlamatnya adalah untuk menawarkan pelbagai pilihan suara dan gaya yang boleh disesuaikan, baik untuk seorang pencerita tunggal mahupun untuk babak dengan berbilang pelakon suara.
Syarikat itu menekankan bahawa model ini cekap sumber : ia beroperasi dengan GPU tunggal dan masih mencapai tahap ekspresif yang luar biasa. Keseimbangan antara kos dan kualiti menjadikannya menarik untuk produk pengguna dan untuk pasukan yang kekurangan infrastruktur inferens yang luas.
Antara kes penggunaan paling jelas yang dicadangkan oleh Microsoft ialah penceritaan, menjana meditasi berpandu , mencipta skrip suara latar dan menyediakan bantuan perbualan masa nyata. Semua ini dengan suara yang direka bentuk agar semula jadi dan boleh disesuaikan dengan konteks.
- Penceritaan dan penceritaan: cerita, panduan audio, pembelajaran bahasa atau cerita dengan beberapa watak.
- Penghasilan kandungan: podcast automatik, treler produk, potongan promosi atau ringkasan harian.
- Bantuan dan kebolehcapaian: membaca teks, menyokong pengguna yang mengalami masalah penglihatan atau membuat arahan lisan dengan cepat.
- Pengalaman interaktif: pembantu tindak balas suara, panduan kontekstual dalam apl dan permainan, atau bot sokongan dengan nada berbeza.
Satu ciri penting ialah keupayaan berbilang suara , berguna untuk dramatisasi, temu bual simulasi atau peranan berbeza dalam rakaman audio yang sama. Fleksibiliti dalam landskap bunyi ini membolehkan penciptaan kandungan yang lebih kaya tanpa perlu pergi ke studio atau menyelaraskan suara manusia.
Dalam demo, hanya meminta "cerita tentang X" sudah cukup untuk menghasilkan audio seminit dengan suara dan intonasi yang berbeza dalam sesaat. Walaupun masih terlalu awal untuk menilai sepenuhnya semua nuansa, hasil awal menunjukkan keaslian yang meyakinkan dan sesuai untuk kegunaan harian.
Buat masa ini, MAI-Voice-1 berfokus pada bahasa Inggeris , satu perkara yang perlu dipertimbangkan jika khalayak utama anda bertutur dalam bahasa Sepanyol. Walau bagaimanapun, seni bina dan prestasinya mencadangkan kemungkinan sokongan bahasa yang lebih luas apabila latihan dan penilaian awam berjalan.
Perlu diingat bahawa, dari segi keselamatan dan etika, Microsoft telah mengulangi bahawa ia akan menghapuskan sebarang ciri yang membuatkan AI kelihatan mempunyai perasaan atau matlamatnya sendiri . Ideanya adalah untuk meningkatkan kegunaan tanpa menjadikannya antropomorfis, sesuatu yang amat sensitif dalam pembantu perbualan berasaskan suara.
Pratonton MAI-1: Seni Bina, Penerapan dan Strategi

MAI-1-preview ialah model tekstual asas pertama yang dicipta oleh Microsoft dalam bahagian MAI. Ia telah dilatih pada skala yang luar biasa (sekitar 15.000 H100) dan menerima pakai pendekatan MoE: "campuran pakar" di mana hanya bahagian model yang berkaitan diaktifkan untuk setiap input.
Reka bentuk ini membolehkan pengagihan kemahiran antara pakar dan meningkatkan prestasi dalam tugasan mengikuti arahan . Microsoft berhasrat untuk menyediakan penyelesaian harian yang berguna, mengutamakan pengalaman pengguna akhir berbanding fokus perniagaan semata-mata.
Dalam praktiknya, pelancaran akan terdiri daripada dua peringkat. Pertama, versi awal model akan digunakan dalam beberapa senario berasaskan teks dalam Copilot , secara terkawal untuk mengukur telemetri dan mengumpulkan maklum balas. Kemudian, berdasarkan maklum balas tersebut, tingkah laku model akan diselaraskan dan skopnya diperluas.
Kedua, syarikat telah membuka akses ujian pada LMArena untuk penilaian awam . Saluran ini mempercepatkan kitaran penambahbaikan, menyediakan input yang pelbagai dan membolehkan pengenalpastian peluang penalaan halus sebelum integrasi yang lebih luas.
Microsoft menjelaskan bahawa MAI-1-preview tidak (buat masa ini) menggantikan GPT-5 dalam Copilot . Strateginya adalah untuk menggunakan "model yang betul untuk kerja yang betul," mengintegrasikan MAI-1-preview ke dalam tugasan tertentu dan membandingkan prestasinya secara berterusan.
Pada masa yang sama, syarikat itu menegaskan bahawa ia akan terus bergantung pada gabungan enjin: enjinnya sendiri, enjin rakan kongsi seperti OpenAI, dan inovasi daripada komuniti sumber terbuka . Dengan cara ini, Copilot boleh mendapat manfaat daripada autonomi MAI dan model terbaik yang tersedia dalam setiap bidang.
Keseluruhan langkah ini adalah sebahagian daripada perubahan yang lebih luas: mengurangkan kebergantungan teknologi pada OpenAI dan membina infrastruktur AI proprietari yang berdaya tahan. Mustafa Suleyman, ketua Microsoft AI, telah menekankan bahawa matlamatnya adalah untuk mengoptimumkan untuk pengguna akhir, memanfaatkan isyarat penggunaan (telemetri, tingkah laku) untuk memberikan pembantu yang lebih membantu dan diperibadikan.
Visi Microsoft adalah untuk "mengatur pelbagai model khusus " yang merangkumi pelbagai niat dan situasi, menjana "nilai yang sangat besar" untuk pengguna. Syarikat itu menggambarkannya sebagai "pintu masuk ke alam semesta pengetahuan," satu cita-cita yang diterjemahkan kepada penyepaduan AI ke dalam produk yang menentukan kategori.
Berkenaan reka bentuk yang bertanggungjawab, Suleyman juga menekankan kepentingan mengelakkan antropomorfisme : membina AI untuk manusia, tetapi bukan seolah-olah mereka adalah "orang digital." Ini amat relevan dalam model suara dan pembantu yang mungkin memberikan gambaran mempunyai emosi.
Bagi organisasi dan firma profesional, model generasi baharu ini membentangkan peluang dan tanggungjawab. Dalam jangka pendek, faedah sebenar dijangkakan dalam automasi , ringkasan, sokongan keputusan dan penjanaan kandungan lisan dengan kos inferens yang dikurangkan.
- MAI-Suara-1 Anda boleh mendayakan pembantu perundingan atau kandungan suara (podcast, penjelasan khusus) dengan hasil semula jadi dan pengeluaran segera.
- pratonton MAI-1 membuka pintu kepada respons automatik, ringkasan, draf dan sokongan untuk tugasan teks, yang boleh disepadukan secara progresif ke dalam Copilot.
Cabarannya terletak pada memastikan privasi, keselamatan dan pematuhan peraturan. Untuk mengelakkan kemunduran, adalah dinasihatkan untuk memulakan dengan program rintis yang terhad, menjalankan audit dalaman terhadap gesaan dan pelancaran, melatih pasukan dan memantau penggunaan data (kedua-dua input dan telemetri) untuk mengelakkan kejutan.
Jika operasi anda bergantung pada suara, kelebihan latensi dan kualiti MAI-Voice-1 sangat menarik. Jika tumpuan diberikan pada teks, pratonton MAI-1 menarik kerana tumpuannya pada penjejakan arahan dan rangka kerja ujian awam yang mempercepat pembelajaran model.
Ia juga membantu untuk menyedari batasan semasa: MAI-Voice-1 tertumpu pada Bahasa Inggeris , dan MAI-1-preview masih dalam fasa ujian, dengan penggunaan terhad kepada kes tertentu. Walaupun begitu, kadar lelaran yang dicadangkan oleh Microsoft adalah pantas dan mencadangkan penambahbaikan yang cepat.
Akhir sekali, adalah penting bahawa Microsoft menyatakan bahawa ia akan terus menggabungkan modelnya—model rakan kongsi dan sumber terbuka . Pendekatan hibrid ini menunjukkan sistem Copilot yang memilih enjin terbaik untuk setiap tugas, tanpa komited kepada satu teknologi pun, dan bertujuan untuk memaksimumkan nilai untuk pengguna akhir.
Pengumuman MAI-Voice-1 dan MAI-1-preview menunjukkan strategi yang lebih autonomi yang tertumpu pada kelajuan, kecekapan dan utiliti dunia sebenar. Jika penyepaduan dengan Copilot dan penilaian dalam LMArena memberikan hasil yang dijangkakan oleh Microsoft, kita akan mempunyai dua tonggak utama ekosistem MAI untuk produk pengguna dan profesional.
