- MAI-Voice-1 gjeneron zë ekspresiv me besnikëri të lartë me vonesë ultra të ulët duke përdorur një GPU të vetme.
- MAI-1-preview është një model i MoE-së i trajnuar me ~15.000 H100, i fokusuar në ndjekjen e udhëzimeve.
- Të dyja po integrohen gradualisht në Copilot dhe mund të testohen në Laboratorë dhe LMArena.
- Strategjia: Orkestroni modele të specializuara ndërsa bashkëjetoni me OpenAI-në.
Imazhi i jashtëzakonshëm
Microsoft ka ndërmarrë një hap të rëndësishëm me lançimin e modeleve të para të inteligjencës artificiale nën ombrellën e IA-së së Microsoft-it: MAI-Voice-1 dhe MAI-1-preview . Me këtë hap, kompania synon një strategji produkti në të cilën asistentët dhe shërbimet e saj përfitojnë nga modele të specializuara, të dizajnuara si për zërin ashtu edhe për tekstin.
Qëllimi i kompanisë teknologjike është ta bëjë IA -në "portën hyrëse drejt një universi dijesh", duke orkestruar një sërë sistemesh të besueshme që e kuptojnë çdo përdorues. Kjo përkthehet në dy inovacione kryesore: një model zëri shumë të shpejtë dhe ekspresiv, dhe një model teksti të përzier me ekspertë, i fokusuar në ndjekjen e udhëzimeve dhe ofrimin e përgjigjeve të dobishme për përdorim të përditshëm.
Çfarë është MAI dhe pse tani?
MAI është akronimi për Microsoft AI , marka nën të cilën kompania me seli në Redmond përfshin modelet e saj themelore. Konteksti ka rëndësi: marrëdhënia me OpenAI vazhdon, por është gjithnjë e më konkurruese, deri në atë pikë sa Microsoft e ka përfshirë OpenAI në listën e konkurrentëve të saj . Megjithatë, kompania këmbëngul se do të vazhdojë të përdorë "modelet më të mira" nga partnerët dhe komuniteti i hapur aty ku ka kuptim.
Pas këtyre lançimeve qëndron Mustafa Suleyman , Drejtor Ekzekutiv i Microsoft AI dhe bashkëthemelues i DeepMind, i cili e ka bërë të qartë objektivin: të krijojë “IA të aplikuar si platformë për produktet”. Me fjalë të tjera, modele të specializuara që integrohen në Copilot dhe përvoja të tjera, duke mbuluar në mënyrë efikase nevojat specifike të zërit dhe tekstit.
MAI-Voice-1: modeli i zërit që i jep përparësi shpejtësisë dhe ekspresivitetit
I pari që do të zbulohet është MAI-Voice-1 , një sistem sinteze zëri i aftë të gjenerojë audio ekspresive dhe me besnikëri të lartë me vonesë jashtëzakonisht të ulët. Pika e tij kryesore e shitjes është se mund të prodhojë një minutë audio në më pak se një sekondë , duke ruajtur natyrshmërinë dhe ndryshimet e intonacionit.
Përtej shpejtësisë, një nga pikat e forta të tij është shprehshmëria: modeli mbështet stile, tone dhe nuanca të ndryshme në zërin e të tjerëve, i projektuar për rrëfim ose udhëzues me zë . Në skenarë me një ose shumë zëra, rezultati është ajo që Microsoft e përshkruan si një zë "shumë shprehës dhe natyror".
Efikasiteti është gjithashtu një veçori kyçe: MAI-Voice-1 operon me një GPU të vetme për nxjerrjen e përfundimeve, duke e vendosur atë ndër sistemet më efikase të zërit që janë aktualisht në dispozicion. Në një ekosistem ku kostot e informatikës janë të konsiderueshme, ky optimizim është thelbësor për shkallëzimin e funksionalitetit në produktet e konsumatorit.
Për sa i përket disponueshmërisë, MAI-Voice-1 është tashmë i integruar në Copilot Daily dhe Podcasts , dhe ofrohet gjithashtu si një përvojë e re brenda Copilot Labs . Atje, është e mundur të eksperimentosh me rrëfimin dhe të folurit shprehës, duke përshtatur stilet dhe duke eksploruar zëra të ndryshëm brenda kufijve të laboratorit.
Si tingëllon dhe çfarë mund të bësh me të sot
Ata që e kanë provuar thonë se audioja tingëllon shumë natyrale , me kontroll të mirë mbi intonacionin dhe ritmin. Megjithatë, vlen të përmendet se aktualisht është i disponueshëm vetëm në anglisht . Microsoft ofron shembuj tipikë: kërkojini "një histori për dinosaurët" dhe merrni shpejt një rrëfim njëminutësh me variacione dhe tone të përshtatshme zëri.
Brenda Copilot Labs, funksioni " Shprehje Audio " ju lejon të gjeneroni audio nga një skenar dhe të modifikoni stilin e rrëfimit. Ai përfshin mënyra të tilla si një Modalitet Emocional (për rregullimin e tonit dhe ritmit, ose caktimin e zërave të ndryshëm) dhe një Modalitet Historie i orientuar drejt rrëfimit ekspresiv. Ideja është të lehtësojë testimin dhe prototipimin për ata që duan të eksplorojnë mundësitë pa krijuar një mjedis kompleks.
Ndër rastet e përdorimit, Microsoft përmend gjithçka, nga rrëfimi i historive dhe narracioni te meditimet e udhëhequra, si dhe potencialin për asistentë virtualë me biseda në kohë reale. Latencia e reduktuar, e kombinuar me ekspresivitetin, hap derën për përvoja më të buta në ndërfaqet zanore ku natyrshmëria është thelbësore.
- Narracion dinamik për histori, podkaste ose edukim.
- meditimet e drejtuara dhe përmbajtje Wellness me variacione tonale.
- Asistentë bisedues në (pothuajse) kohë reale, i ndjeshëm ndaj kontekstit.
- Prototipim i shpejtë në Copilot Labs me rregullime stili dhe zëri.
Efikasitet informatik: një minutë audio në më pak se një sekondë
Gjenerimi i audios me besnikëri të lartë dhe ekspresive kërkon aftësi teknike, por MAI-Voice-1 krenohet që e arrin këtë me një GPU të vetme dhe me vonesë ultra të ulët. Shifra është mbresëlënëse: një minutë audio në më pak se një sekondë . Për produktet e konsumit, ky kombinim - vonesë e ulët dhe kosto e përballueshme - është thelbësor për ofrimin e përvojave të pandërprera dhe të shkallëzueshme.
Në peizazhin e sotëm, ku sistemet zanore konkurrojnë për cilësi dhe shpejtësi, Microsoft e pozicionon MAI-Voice-1 midis sistemeve më efikase në dispozicion. Kjo efikasitet jo vetëm që përkthehet në kursime të kostos, por gjithashtu mundëson raste përdorimi që më parë ishin jopraktike për shkak të kostos ose vonesës.
Ku mund ta provoni MAI-Voice-1
Sot, MAI-Voice-1 po testohet nga përdoruesit përmes Copilot Daily (përmbledhje lajmesh) dhe Copilot Podcasts , si dhe Copilot Labs . Në Labs, demonstrimet e të folurit dhe rrëfimit shprehës tregojnë shkallën e kontrollit mbi stilin, ritmin dhe tonin, të gjitha me premtimin e një prodhimi me besnikëri të lartë.
Nëse jeni të interesuar të eksperimentoni, rruga më e drejtpërdrejtë është të hapni Copilot Labs dhe të hyni në seksionin e zërit për të luajtur me modalitetet e rrëfimit . Edhe pse pritjet janë të larta, ia vlen të kujtojmë se ky është vetëm grupi i parë; Microsoft do të vazhdojë të përsërisë me reagimet e komunitetit, duke rregulluar parametrat dhe duke zgjeruar aftësitë me kalimin e kohës.
MAI-1-preview: modeli i tekstit të trajnuar në shkallë të gjerë
Krahas modelit zanor vjen edhe MAI-1-preview , modeli i parë gjuhësor i patentuar i Microsoft AI i projektuar për të ndjekur udhëzimet dhe për t'iu përgjigjur pyetjeve të përditshme në mënyrë efektive. Arkitektura e zgjedhur është përzierja e ekspertëve (MoE), një strategji ku ekspertë të shumtë specializohen dhe aktivizohen në mënyrë selektive në varësi të detyrës, duke përmirësuar efikasitetin dhe performancën.
Sa i përket trajnimit, Microsoft shpjegon se MAI-1-preview u trajnua paraprakisht dhe pas trajnimit duke përdorur afërsisht 15.000 GPU Nvidia H100 . Kjo shkallë ofron një bazë të fortë për harmonizimin e udhëzimeve dhe për ofrimin e përgjigjeve praktike në skenarë të zakonshëm të bisedave dhe produktivitetit.
Qasja e MoE-së të kujton trendet e fundit në modelet e përparuara: ndarja e sistemit në komponentë të specializuar dhe aktivizimi vetëm i asaj që është e nevojshme për çdo pyetje. Kjo skemë është parë në projekte si DeepSeek dhe Qwen , ku efikasiteti gjatë nxjerrjes së përfundimeve bëhet një faktor dallues krahasuar me arkitekturat tradicionale të dendura.
Disponueshmëria, vlerësimi publik dhe vendosja progresive
MAI-1-preview tani është i disponueshëm për testim në platformën e vlerësimit të komunitetit LMArena . Për ta testuar, thjesht hyni, zgjidhni modalitetin Direct Chat dhe zgjidhni "mai-1-preview" në mënyrë që kushdo të mund ta përjetojë sjelljen e tij në biseda reale dhe ta krahasojë atë me modele të tjera.
Microsoft ka filluar gjithashtu të vendosë MAI-1-preview në Copilot për raste të caktuara përdorimi të tekstit. Qëllimi është i dyfishtë: të mbledhë reagime nga përdoruesit dhe të përsosë më tej modelin në një mjedis të botës reale, duke bashkëjetuar me sisteme të tjera që aktualisht mbështesin aspektet kryesore të asistentit të kompanisë.
Paralelisht, kompania ka mundësuar aksesin në API për testues dhe zhvillues të besuar në fazën e hershme të aksesit. Kjo fazë e kontrolluar do t'u lejojë atyre të mbledhin reagime mbi qëndrueshmërinë dhe performancën përpara se ta hapin atë për një audiencë më të gjerë, me vëmendje të veçantë ndaj cilësisë së përgjigjes dhe pajtueshmërisë me udhëzimet.
A është një zëvendësim për modelet e OpenAI? Bashkëjetesa dhe ambicia e saj
Microsoft e ka bërë të qartë se, për momentin, do të vazhdojë të kombinojë modelet e saj me ato të partnerëve dhe me inovacionet e komunitetit. Në praktikë, kjo do të thotë që MAI-1-preview nuk ka për qëllim të zëvendësojë sistemet që aktualisht fuqizojnë Copilot. Në fakt, kompania planifikon ta përdorë atë për detyra specifike , duke matur rezultatet dhe duke rregulluar vendosjen bazuar në reagime.
Disa raportime tregojnë se nuk do të zëvendësojë versionet më të përparuara të familjes GPT në Copilot; sidoqoftë, pika e rëndësishme është se Microsoft po lëviz drejt një pavarësie më të madhe teknologjike . Bashkëpunimi me OpenAI vazhdon, por është më i nuancuar, me të dyja palët që tani e njohin njëra-tjetrën si konkurrente në tregun e IA-së.
Ky kapitull është vendosur në sfondin e një marrëdhënieje komplekse me OpenAI. Microsoft investoi shumë dhe për një kohë aleanca ishte qendrore në strategjinë e saj, por vitin e kaluar përfshiu OpenAI si rival së bashku me Amazon, Apple, Google dhe Meta. Në të njëjtën kohë, OpenAI ka shprehur rezerva në lidhje me ndarjen e teknologjive të ardhshme të përparuara, siç është një AGI hipotetike, e cila nënvizon nevojën që Microsoft të ketë aftësitë e veta.
Filozofia e Dizajnit: IA e dobishme, jo një "personazh dixhital"
Përtej metrikave dhe standardeve, Microsoft IA ka mbajtur një qëndrim mbi përvojën që duhet të ofrojë IA bisedore. Suleyman ka paralajmëruar për rrezikun e ndërtimit të sistemeve që duket se kanë ndjenja ose qëllime të tyre, diçka që mund të gjenerojë pritshmëri ose konfuzion të padëshiruar.
Plani i veprimit përfshin eliminimin e karakteristikave që e antropomorfizojnë sistemin, duke përforcuar një inteligjencë artificiale që është një mjet i dobishëm dhe i përgjegjshëm, pa efektet anësore të shtirjes së vetëdijes. Në rastin e MAI-Voice-1, kjo do të thotë t'i jepet përparësi ekspresivitetit dhe natyrshmërisë në zë pa kaluar kufirin në simulimin mashtrues të emocioneve njerëzore .
Strategjia: orkestroni modele të specializuara me fokus në produkt
Microsoft këmbëngul se qëllimi i tij është të orkestrojë një ekosistem modelesh të dizajnuara për qëllime dhe kontekste specifike. Në praktikë, MAI-Voice-1 mbulon ndërfaqen e folur me shpejtësi dhe cilësi, ndërsa MAI-1-preview përqendrohet në detyrat tekstuale ku gjurmimi i udhëzimeve dhe dobia e menjëhershme e përdoruesit shkëlqejnë.
Ky modularitet i mundëson Copilot dhe shërbimeve të tjera të kombinojnë më të mirën e secilit model në varësi të rastit, qoftë duke rrëfyer një përmbledhje lajmesh me një zë bindës, duke iu përgjigjur me saktësi një pyetjeje të përditshme apo duke rregulluar stilin e një transmetimi të folur për një podkast ose udhëzues meditimi.
Rastet e përdorimit dhe mundësitë për përdoruesit dhe zhvilluesit
Për përdoruesin fundor, kjo përkthehet në përgjigje më të dobishme dhe përvoja më të mira zanore në produktet që ata përdorin tashmë. Për ekipet e përmbajtjes ose podkasteve, të kesh një motor zanor me besnikëri të lartë dhe vonesë të ulët do të thotë të prodhosh më shumë përmbajtje dhe më të mirë me më pak vështirësi teknike.
Për zhvilluesit, qasja e hershme nëpërmjet API-t MAI-1-preview hap derën për prototipimin dhe testimin e kontrolluar, duke i lejuar ata të vlerësojnë se ku ky model ofron avantazhe ndaj të tjerëve. Faza LMArena gjithashtu mundëson krahasime kontekstuale dhe mbledhjen e metrikave të botës reale mbi cilësinë e përgjigjes dhe aftësinë për të ndjekur udhëzimet.
- përdoruesitZë i përmirësuar në Copilot Daily dhe Podcasts; ndërveprim më natyral.
- KrijuesitNarracione dhe skenarë me kontroll të stilit dhe ritmit.
- kompanitëasistentë zanorë me latencë shumë të ulët dhe ekspresivitet të lartë.
- ZhvilluesitTestimi i LMArena-s dhe qasja e hershme në API për përsëritje të shpejtë.
Çfarë të presim në afat të shkurtër
Në afat të shkurtër, do të shohim që MAI-1-preview të bashkëjetojë me modele të tjera në Copilot për rastet e përdorimit të tekstit të zgjedhur, ndërsa Microsoft analizon reagimet dhe prezanton përmirësimet. Kjo qasje graduale na lejon të matim ndikimin dhe të përmirësojmë përvojën pa kompromentuar përvojën e përgjithshme të përdoruesit.
Paralelisht, kompania pritet të zhvillojë më tej MAI-Voice-1 brenda Copilot Labs dhe produkteve ku është zbatuar tashmë. Duke shtuar më shumë skenarë dhe shembuj të të folurit, Microsoft do të jetë në gjendje të vërtetojë më mirë përgjigjen e modelit ndaj stileve të ndryshme dhe sfidave të prodhimit në botën reale.
Shenjat e drejtimit të ardhshëm
Toni i Microsoft është i qartë: ekziston ambicie për të arritur miliarda njerëz përmes produkteve të saj, me përparime në modele dhe fuqi llogaritëse. MAI-1 është fillimi i një familjeje dhe është e arsyeshme të priten variacione dhe përsëritje të reja që përsosin ekuilibrin midis cilësisë, kostos dhe vonesës.
Në frontin konkurrues, strategjia e Ministrisë së Arsimit dhe Shkencës në modelet e tekstit sugjeron që Microsoft do të vazhdojë të eksplorojë arkitekturat efikase të inferencës, një faktor kyç në shkallëzimin drejt vëllimeve të larta në produktet e tregut masiv. Rasti MAI-Voice-1 konfirmon më tej se zëri është një përparësi si ndërfaqja e ardhshme për asistentët.
Marrëdhënia me ekosistemin dhe qëndrimi publik
Marrëdhënia me OpenAI do të mbetet e rëndësishme, por Microsoft ka treguar tashmë se nuk dëshiron të jetë i lidhur me një burim të vetëm inovacioni. Do të vazhdojë të integrojë më të mirën nga ekipi , partnerët dhe komuniteti i hapur i saj, për sa kohë që u shton vlerë produkteve dhe klientëve. Në të njëjtën kohë, po e pozicionon markën e vet (MAI) si mjetin për arritjen e autonomisë aty ku është strategjike.
Ky akt balancimi - bashkëjetesa tani dhe pavarësia më e madhe nesër - mund të përshpejtojë konkurrencën në asistentë dhe produktivitet. Për përdoruesit, efekti i dëshiruar është i qartë: një larmi më e gjerë mjetesh dhe një përsëritje më praktike e asaj që zgjidh vërtet problemet e përditshme.
Qasja e Microsoft-it me MAI-Voice-1 dhe MAI-1-preview kombinon pragmatizmin dhe shpejtësinë: një model zëri efikas dhe ekspresiv që tashmë fuqizon përvojat në Copilot, dhe një model teksti në shkallë të gjerë i tipit MoE që po fillon të vendoset në mjedise të kontrolluara, mund të testohet në LMArena dhe po hapet nëpërmjet API-t për testues të besuar. Qëllimi që po del është i qartë: modele të specializuara, të integruara në produkte, që përshtaten me nevojat e përditshme të secilit person.
