- MAI-Voice-1 menjana suara ekspresif kesetiaan tinggi dengan kependaman ultra rendah menggunakan GPU tunggal.
- MAI-1-pratonton ialah model MoE yang dilatih dengan ~15.000 H100, memfokuskan pada arahan mengikut.
- Kedua-duanya secara beransur-ansur disepadukan ke dalam Copilot dan boleh diuji dalam Labs dan LMArena.
- Strategi: Mengatur model khusus sambil wujud bersama OpenAI.
Imej cemerlang
Microsoft telah mengambil langkah dengan pelancaran model kecerdasan buatan proprietari pertamanya di bawah payung Microsoft AI: MAI-Voice-1 dan MAI-1-preview . Dengan langkah ini, syarikat itu menyasarkan strategi produk yang mana pembantu dan perkhidmatannya mendapat manfaat daripada model khusus, yang direka untuk suara dan teks.
Matlamat syarikat teknologi ini adalah untuk menjadikan AI sebagai "pintu masuk ke alam semesta pengetahuan," yang mengatur satu set sistem yang andal yang memahami setiap pengguna. Ini diterjemahkan kepada dua inovasi utama: model suara yang sangat pantas dan ekspresif, dan model teks jenis campuran pakar yang tertumpu pada mengikuti arahan dan memberikan jawapan yang berguna untuk kegunaan harian.
Apakah MAI dan mengapa sekarang?
MAI ialah akronim bagi Microsoft AI , jenama yang digunakan oleh syarikat yang berpangkalan di Redmond itu untuk merangkumi model asasnya sendiri. Konteks penting: hubungan dengan OpenAI berterusan, tetapi ia semakin kompetitif, sehingga Microsoft telah memasukkan OpenAI dalam senarai pesaingnya . Walaupun begitu, syarikat itu menegaskan bahawa ia akan terus menggunakan "model terbaik" daripada rakan kongsi dan komuniti terbuka di tempat yang sesuai.
Di sebalik pelancaran ini ialah Mustafa Suleyman , Ketua Pegawai Eksekutif Microsoft AI dan pengasas bersama DeepMind, yang telah menjelaskan objektifnya: untuk mewujudkan “AI yang digunakan sebagai platform untuk produk.” Dalam erti kata lain, model khusus yang disepadukan ke dalam Copilot dan pengalaman lain, yang meliputi keperluan suara dan teks tertentu dengan cekap.
MAI-Voice-1: model suara yang mengutamakan kelajuan dan ekspresif
Yang pertama diperkenalkan ialah MAI-Voice-1 , sistem sintesis suara yang mampu menghasilkan audio ekspresif dan berfideliti tinggi dengan kependaman yang sangat rendah. Kelebihan utamanya ialah ia boleh menghasilkan audio selama satu minit dalam masa kurang daripada satu saat , sambil mengekalkan keaslian dan variasi intonasi.
Selain kelajuan, salah satu kekuatannya ialah ekspresif: model ini menyokong gaya, nada dan nuansa yang berbeza dalam suara latar, direka bentuk untuk narasi atau panduan lisan . Dalam senario suara tunggal atau berbilang suara, hasilnya adalah apa yang digambarkan oleh Microsoft sebagai suara yang "sangat ekspresif dan semula jadi".
Kecekapan juga merupakan ciri utama: MAI-Voice-1 beroperasi dengan GPU tunggal untuk inferens, meletakkannya antara sistem suara paling cekap yang tersedia pada masa ini. Dalam ekosistem yang mana kos pengkomputeran adalah tinggi, pengoptimuman ini adalah penting untuk penskalaan fungsi kepada produk pengguna.
Dari segi ketersediaan, MAI-Voice-1 telah disepadukan ke dalam Copilot Daily dan Podcasts , dan juga ditawarkan sebagai pengalaman baharu dalam Copilot Labs . Di sana, anda boleh bereksperimen dengan narasi dan pertuturan ekspresif, menyesuaikan gaya dan meneroka suara yang berbeza dalam lingkungan makmal.
Seperti apa bunyinya dan perkara yang boleh anda lakukan dengannya hari ini
Mereka yang telah mencubanya mengatakan audionya kedengaran sangat semula jadi , dengan kawalan intonasi dan rentak yang baik. Walau bagaimanapun, perlu diingatkan bahawa ia pada masa ini hanya tersedia dalam bahasa Inggeris . Microsoft menawarkan contoh tipikal: minta "cerita tentang dinosaur" dan cepat terima kisah satu minit dengan variasi suara dan nada yang sesuai.
Dalam Copilot Labs, ciri " Ekspresi Audio " membolehkan anda menjana audio daripada skrip dan mengubah suai gaya penceritaan. Ia merangkumi mod seperti Mod Emosi (untuk melaraskan nada dan rentak, atau menetapkan suara yang berbeza) dan Mod Cerita yang ditujukan kepada penceritaan ekspresif. Ideanya adalah untuk memudahkan pengujian dan pembuatan prototaip bagi mereka yang ingin meneroka kemungkinan tanpa menyediakan persekitaran yang kompleks.
Antara kes penggunaannya, Microsoft menyebut segala-galanya daripada penceritaan dan narasi kepada meditasi berpandu, serta potensi untuk pembantu maya dengan perbualan masa nyata. Kependaman yang dikurangkan, digabungkan dengan ekspresif, membuka pintu kepada pengalaman yang lebih lancar dalam antara muka suara di mana keaslian adalah penting.
- Penceritaan dinamik untuk cerita, podcast atau pendidikan.
- meditasi berpandu dan kandungan kesihatan dengan variasi tonal.
- Pembantu perbualan dalam (hampir) masa nyata, sensitif konteks.
- Prototaip pantas dalam Copilot Labs dengan pelarasan gaya dan suara.
Kecekapan pengkomputeran: satu minit audio dalam masa kurang daripada satu saat
Menjana audio ekspresif yang berkualiti tinggi memerlukan kehebatan teknikal, tetapi MAI-Voice-1 berbangga kerana dapat mencapainya dengan GPU tunggal dan pada kependaman ultra rendah. Angka ini mengagumkan: satu minit audio dalam masa kurang daripada satu saat . Bagi produk pengguna, kombinasi ini—kependaman rendah dan kos yang berpatutan—adalah penting untuk memberikan pengalaman yang lancar dan boleh diskala.
Dalam landskap hari ini, di mana sistem suara bersaing dari segi kualiti dan kelajuan, Microsoft meletakkan MAI-Voice-1 antara sistem paling cekap yang ada. Kecekapan ini bukan sahaja diterjemahkan kepada penjimatan kos tetapi juga membolehkan kes penggunaan yang sebelum ini tidak praktikal disebabkan oleh kos atau kependaman.
Di mana untuk mencuba MAI-Voice-1
Hari ini, MAI-Voice-1 sedang diuji oleh pengguna melalui Copilot Daily (ringkasan berita) dan Copilot Podcasts , serta Copilot Labs . Di Labs, demonstrasi pertuturan dan narasi ekspresif mempamerkan tahap kawalan ke atas gaya, irama dan nada, semuanya dengan janji output ketepatan tinggi.
Jika anda berminat untuk bereksperimen, laluan paling langsung adalah dengan membuka Makmal Copilot dan mengakses bahagian suara untuk bermain dengan mod narasi . Walaupun jangkaan adalah tinggi, perlu diingat bahawa ini hanyalah kumpulan pertama; Microsoft akan terus membuat lelaran dengan maklum balas komuniti, melaraskan parameter dan mengembangkan keupayaan dari semasa ke semasa.
MAI-1-pratonton: model teks terlatih berskala besar
Bersama model suara, terdapat MAI-1-preview , model bahasa proprietari pertama Microsoft AI yang direka untuk mengikuti arahan dan menjawab pertanyaan harian dengan berkesan. Seni bina yang dipilih ialah campuran pakar (MoE), satu strategi di mana berbilang pakar mengkhusus dan diaktifkan secara selektif bergantung pada tugas, meningkatkan kecekapan dan prestasi.
Dari segi latihan, Microsoft menjelaskan bahawa MAI-1-preview telah dilatih terlebih dahulu dan dilatih selepas latihan menggunakan kira-kira 15.000 GPU Nvidia H100 . Skala ini menyediakan asas yang kukuh untuk penjajaran arahan dan untuk memberikan respons praktikal dalam senario sembang dan produktiviti biasa.
Pendekatan MoE mengingatkan trend terkini dalam model canggih: membahagikan sistem kepada komponen khusus dan hanya mengaktifkan apa yang diperlukan setiap pertanyaan. Skim ini telah dilihat dalam projek seperti DeepSeek dan Qwen , di mana kecekapan semasa inferens menjadi faktor pembezaan berbanding seni bina tumpat tradisional.
Ketersediaan, penilaian awam dan penggunaan progresif
MAI-1-preview kini tersedia untuk ujian pada platform penilaian komuniti LMArena . Untuk mengujinya, hanya log masuk, pilih mod Sembang Langsung dan pilih “mai-1-preview” supaya sesiapa sahaja boleh mengalami tingkah lakunya dalam perbualan sebenar dan membandingkannya dengan model lain.
Microsoft juga telah mula menggunakan pratonton MAI-1 dalam Copilot untuk kes penggunaan teks tertentu. Matlamatnya ada dua: untuk mengumpulkan maklum balas pengguna dan memperhalusi lagi model dalam persekitaran dunia sebenar, wujud bersama sistem lain yang kini menyokong aspek utama pembantu syarikat.
Secara selari, syarikat itu telah mendayakan akses API untuk penguji dan pembangun yang dipercayai dalam akses awal. Fasa terkawal ini akan membolehkan mereka mengumpulkan maklum balas tentang kekukuhan dan prestasi sebelum membukanya kepada khalayak yang lebih luas, dengan perhatian khusus terhadap kualiti respons dan pematuhan terhadap arahan.
Adakah ia pengganti untuk model OpenAI? Kewujudan bersama dan cita-citanya sendiri
Microsoft telah menjelaskan bahawa, buat masa ini, ia akan terus menggabungkan modelnya dengan model rakan kongsi dan inovasi komuniti. Dalam praktiknya, ini bermakna MAI-1-preview tidak bertujuan untuk menggantikan sistem yang kini menguasakan Copilot. Malah, syarikat itu merancang untuk menggunakannya untuk tugasan tertentu , mengukur keputusan dan melaraskan penggunaan berdasarkan maklum balas.
Beberapa laporan menunjukkan bahawa ia tidak akan menggantikan versi keluarga GPT yang lebih canggih dalam Copilot; walau apa pun, perkara pentingnya ialah Microsoft sedang menuju ke arah kebebasan teknologi yang lebih besar . Kerjasama dengan OpenAI berterusan, tetapi lebih bernuansa, dengan kedua-dua pihak kini mengiktiraf satu sama lain sebagai pesaing dalam pasaran AI.
Bab ini berlatarkan hubungan yang kompleks dengan OpenAI. Microsoft banyak melabur, dan untuk seketika pakatan itu menjadi teras kepada strateginya, tetapi tahun lepas ia memasukkan OpenAI sebagai pesaing bersama Amazon, Apple, Google dan Meta. Pada masa yang sama, OpenAI telah menyatakan keraguan tentang perkongsian teknologi canggih masa depan, seperti AGI hipotetikal, yang menggariskan keperluan Microsoft untuk mempunyai keupayaannya sendiri.
Falsafah Reka Bentuk: AI yang berguna, bukan "persona digital"
Di luar metrik dan penanda aras, Microsoft AI telah mengambil pendirian terhadap pengalaman yang harus ditawarkan oleh AI perbualan. Suleyman telah memberi amaran tentang risiko membina sistem yang kelihatan mempunyai perasaan atau matlamat mereka sendiri, sesuatu yang boleh menghasilkan jangkaan atau kekeliruan yang tidak diingini.
Pelan tindakan ini melibatkan penghapusan ciri-ciri yang mengantropomorfisasi sistem, memperkukuh AI yang merupakan alat yang berguna dan bertanggungjawab, tanpa kesan sampingan daripada berpura-pura sedar. Dalam kes MAI-Voice-1, ini bermakna mengutamakan ekspresif dan keaslian dalam suara tanpa melampaui batas untuk mensimulasikan emosi manusia secara mengelirukan .
Strategi: mengatur model khusus dengan fokus produk
Microsoft menegaskan bahawa matlamatnya adalah untuk mengatur ekosistem model yang direka untuk niat dan konteks tertentu. Dalam praktiknya, MAI-Voice-1 merangkumi antara muka lisan dengan kelajuan dan kualiti, manakala MAI-1-preview memberi tumpuan kepada tugas teks yang mana penjejakan arahan dan utiliti pengguna segera menonjol.
Modulariti ini membolehkan Copilot dan perkhidmatan lain menggabungkan yang terbaik daripada setiap model bergantung pada kesnya, sama ada ia menceritakan ringkasan berita dengan suara yang menarik, menjawab pertanyaan harian dengan tepat atau melaraskan gaya output lisan untuk podcast atau panduan meditasi.
Gunakan kes dan peluang untuk pengguna dan pembangun
Bagi pengguna akhir, ini diterjemahkan kepada respons yang lebih membantu dan pengalaman suara yang lebih baik dalam produk yang telah mereka gunakan. Bagi pasukan kandungan atau podcast, mempunyai enjin suara berfideliti tinggi dan latensi rendah bermakna menghasilkan lebih banyak dan lebih baik kandungan dengan kurang geseran teknikal.
Bagi pembangun, akses awal melalui API pratonton MAI-1 membuka pintu kepada prototaip dan pengujian terkawal, membolehkan mereka menilai di mana model ini menawarkan kelebihan berbanding yang lain. Fasa LMArena juga membolehkan perbandingan kontekstual dan pengumpulan metrik dunia sebenar mengenai kualiti respons dan keupayaan untuk mengikuti arahan.
- pengguna: Suara yang dipertingkatkan pada Copilot Daily dan Podcast; interaksi yang lebih semula jadi.
- Pencipta: Narasi dan skrip dengan kawalan gaya dan irama.
- Perniagaan: pembantu suara dengan kependaman yang sangat rendah dan ekspresif yang tinggi.
- Pemaju: Ujian LMArena dan akses API awal untuk lelaran pantas.
Apa yang diharapkan dalam jangka pendek
Dalam jangka pendek, kita akan melihat pratonton MAI-1 wujud bersama model lain dalam Copilot untuk kes penggunaan teks terpilih sementara Microsoft menganalisis maklum balas dan melancarkan penambahbaikan. Pendekatan tambahan ini membolehkan kami mengukur impak dan memperhalusi pengalaman tanpa menjejaskan keseluruhan pengalaman pengguna.
Secara selari, syarikat itu dijangka akan terus membangunkan MAI-Voice-1 dalam Copilot Labs dan produk-produk yang telah dilaksanakan. Dengan menambah lebih banyak senario dan contoh pertuturan, Microsoft akan dapat mengesahkan tindak balas model dengan lebih baik terhadap pelbagai gaya dan cabaran pengeluaran dunia sebenar.
Tanda arah masa depan
Nada Microsoft jelas: terdapat cita-cita untuk menjangkau berbilion orang melalui produknya, dengan kemajuan dalam model dan kuasa pengkomputeran. MAI-1 ialah permulaan sebuah keluarga, dan adalah munasabah untuk menjangkakan variasi dan lelaran baharu yang menyelaraskan keseimbangan antara kualiti, kos dan latensi.
Dari segi daya saing, strategi MoE dalam model teks menunjukkan bahawa Microsoft akan terus meneroka seni bina inferens yang cekap , faktor utama dalam penskalaan kepada jumlah yang tinggi dalam produk pasaran massa. Kes MAI-Voice-1 seterusnya mengesahkan bahawa suara adalah keutamaan sebagai antara muka masa depan untuk pembantu.
Hubungan dengan ekosistem dan pendirian awam
Hubungan dengan OpenAI akan kekal relevan, tetapi Microsoft telah menunjukkan bahawa ia tidak mahu terikat dengan satu sumber inovasi sahaja. Ia akan terus mengintegrasikan yang terbaik daripada pasukan , rakan kongsi dan komuniti terbukanya, selagi ia menambah nilai kepada produk dan pelanggan. Pada masa yang sama, ia meletakkan jenamanya sendiri (MAI) sebagai wahana untuk mencapai autonomi di tempat yang strategik.
Tindakan pengimbangan ini—kewujudan bersama sekarang dan kebebasan yang lebih besar pada masa hadapan—boleh mempercepatkan persaingan dalam pembantu dan produktiviti. Bagi pengguna, kesan yang diingini adalah jelas: pelbagai jenis alatan dan iterasi yang lebih praktikal tentang apa yang benar-benar menyelesaikan masalah harian.
Pendekatan Microsoft dengan MAI-Voice-1 dan MAI-1-preview menggabungkan pragmatisme dan kelajuan: model suara yang cekap dan ekspresif yang telah pun memperkasakan pengalaman dalam Copilot, dan model teks jenis MoE berskala besar yang mula digunakan dalam persekitaran terkawal, boleh diuji dalam LMArena, dan sedang dibuka melalui API kepada penguji yang dipercayai. Matlamat yang muncul adalah jelas: model khusus, yang disepadukan ke dalam produk, yang menyesuaikan diri dengan keperluan harian setiap orang.
