- Ang MAI-Voice-1 ay bumubuo ng high-fidelity na nagpapahayag ng boses na may napakababang latency gamit ang isang GPU.
- Ang MAI-1-preview ay isang modelo ng MoE na sinanay ng ~15.000 H100, na nakatuon sa pagsunod sa mga tagubilin.
- Parehong unti-unting isinasama sa Copilot at maaaring masuri sa Labs at LMArena.
- Diskarte: I-orkestrate ang mga dalubhasang modelo habang kasama ang OpenAI's.
Natitirang larawan
Gumawa ng hakbang ang Microsoft sa pamamagitan ng paglulunsad ng mga unang proprietary artificial intelligence models nito sa ilalim ng Microsoft AI umbrella: ang MAI-Voice-1 at MAI-1-preview . Sa hakbang na ito, nilalayon ng kumpanya ang isang diskarte sa produkto kung saan makikinabang ang mga assistant at serbisyo nito mula sa mga espesyalisadong modelo, na idinisenyo para sa parehong boses at teksto.
Ang layunin ng kompanya ng teknolohiya ay gawing "tarangkahan tungo sa isang sansinukob ng kaalaman" ang AI, na bumubuo ng isang hanay ng mga maaasahang sistema na nakakaintindi sa bawat gumagamit. Ito ay isinasalin sa dalawang pangunahing inobasyon: isang napakabilis at nagpapahayag na modelo ng boses, at isang pinaghalong uri ng modelo ng teksto na nakatuon sa pagsunod sa mga tagubilin at pagbibigay ng mga kapaki-pakinabang na sagot para sa pang-araw-araw na paggamit.
Ano ang MAI at bakit ngayon?
Ang MAI ay ang akronim para sa Microsoft AI , ang tatak kung saan sakop ng kumpanyang nakabase sa Redmond ang sarili nitong mga pundasyong modelo. Mahalaga ang konteksto: nagpapatuloy ang ugnayan sa OpenAI, ngunit ito ay lalong nagiging mapagkumpitensya, hanggang sa punto na isinama na ng Microsoft ang OpenAI sa listahan ng mga kakumpitensya nito . Gayunpaman, iginiit ng kumpanya na patuloy nitong gagamitin ang "pinakamahusay na mga modelo" mula sa mga kasosyo at sa bukas na komunidad kung saan ito makatuwiran.
Ang nasa likod ng mga paglulunsad na ito ay si Mustafa Suleyman , CEO ng Microsoft AI at isa sa mga nagtatag ng DeepMind, na nagpaliwanag sa layunin: ang lumikha ng "AI na inilalapat bilang plataporma para sa mga produkto." Sa madaling salita, mga espesyal na modelo na isinasama sa Copilot at iba pang mga karanasan, na mahusay na sumasaklaw sa mga partikular na pangangailangan sa boses at teksto.
MAI-Voice-1: ang modelo ng boses na inuuna ang bilis at pagpapahayag
Ang unang ilalabas ay ang MAI-Voice-1 , isang sistema ng voice synthesis na may kakayahang makabuo ng makahulugan at high-fidelity na audio na may napakababang latency. Ang pangunahing bentahe nito ay kaya nitong gumawa ng isang minutong audio sa loob ng wala pang isang segundo , habang pinapanatili ang naturalidad at mga pagkakaiba-iba ng intonasyon.
Higit pa sa bilis, isa sa mga kalakasan nito ay ang pagpapahayag: sinusuportahan ng modelo ang iba't ibang estilo, tono, at mga nuances sa voice-over, na idinisenyo para sa pagsasalaysay o mga pasalitang gabay . Sa mga senaryo ng single-voice o multi-voice, ang resulta ay ang inilalarawan ng Microsoft bilang isang "lubos na nagpapahayag at natural" na boses.
Ang kahusayan ay isa ring mahalagang katangian: Ang MAI-Voice-1 ay gumagana gamit ang isang GPU para sa paghihinuha, na naglalagay dito sa mga pinakaepektibong sistema ng boses na kasalukuyang magagamit. Sa isang ecosystem kung saan malaki ang mga gastos sa computing, ang pag-optimize na ito ay mahalaga para sa pagpapalawak ng functionality sa mga produktong pangkonsumo.
Kung pag-uusapan ang availability, ang MAI-Voice-1 ay isinama na sa Copilot Daily at Podcasts , at inaalok din bilang isang bagong karanasan sa loob ng Copilot Labs . Doon, posibleng mag-eksperimento sa pagsasalaysay at pagpapahayag ng pagsasalita, pagsasaayos ng mga estilo at paggalugad ng iba't ibang boses sa loob ng mga limitasyon ng laboratoryo.
Ano ang tunog at kung ano ang maaari mong gawin dito ngayon
Sinasabi ng mga nakasubok na nito na natural ang tunog ng audio , na may mahusay na kontrol sa intonasyon at ritmo. Gayunpaman, mahalagang tandaan na sa kasalukuyan ay makukuha lamang ito sa Ingles . Nag-aalok ang Microsoft ng mga tipikal na halimbawa: humingi dito ng "isang kuwento tungkol sa mga dinosaur" at mabilis na makatanggap ng isang minutong kuwento na may naaangkop na mga baryasyon at tono ng boses.
Sa loob ng Copilot Labs, ang tampok na " Audio Expressions " ay nagbibigay-daan sa iyong lumikha ng audio mula sa isang script at baguhin ang istilo ng pagsasalaysay. Kabilang dito ang mga mode tulad ng Emotional Mode (para sa pagsasaayos ng tono at ritmo, o pagtatalaga ng iba't ibang boses) at isang Story Mode na nakatuon sa pagpapahayag ng pagsasalaysay. Ang ideya ay upang mapadali ang pagsubok at paggawa ng prototype para sa mga gustong galugarin ang mga posibilidad nang hindi nag-i-set up ng isang kumplikadong kapaligiran.
Kabilang sa mga pagkakataon ng paggamit, binanggit ng Microsoft ang lahat mula sa pagkukuwento at pagsasalaysay hanggang sa mga ginabayang meditasyon, pati na rin ang potensyal para sa mga virtual assistant na may real-time na pag-uusap. Ang nabawasang latency, kasama ng pagiging mapang-ekspresibo, ay nagbubukas ng pinto sa mas maayos na karanasan sa mga voice interface kung saan mahalaga ang pagiging natural.
- Dynamic na pagsasalaysay para sa mga kwento, podcast o edukasyon.
- may gabay na pagmumuni-muni at wellness content na may mga pagkakaiba-iba ng tono.
- Mga katulong sa pakikipag-usap sa (halos) totoong oras, sensitibo sa konteksto.
- Mabilis na prototyping sa Copilot Labs na may mga pagsasaayos ng istilo at boses.
Kahusayan sa pag-compute: isang minuto ng audio sa mas mababa sa isang segundo
Ang pagbuo ng high-fidelity at expressive na audio ay nangangailangan ng teknikal na husay, ngunit ipinagmamalaki ng MAI-Voice-1 na nakakamit ito gamit ang isang GPU , at sa napakababang latency. Kahanga-hanga ang bilang: isang minuto ng audio sa loob ng wala pang isang segundo . Para sa mga produktong pangkonsumo, ang kombinasyong ito—mababang latency at abot-kayang gastos—ay mahalaga para sa paghahatid ng tuluy-tuloy at nasusukat na mga karanasan.
Sa kasalukuyang kalagayan, kung saan ang mga sistema ng boses ay nakikipagkumpitensya sa kalidad at bilis, inilalagay ng Microsoft ang MAI-Voice-1 sa mga pinaka-epektibong sistema na magagamit. Ang kahusayang ito ay hindi lamang isinasalin sa pagtitipid sa gastos kundi nagbibigay-daan din sa mga pagkakataong magamit na dating hindi praktikal dahil sa gastos o latency.
Saan susubukan ang MAI-Voice-1
Sa kasalukuyan, ang MAI-Voice-1 ay sinusubukan ng mga gumagamit sa pamamagitan ng Copilot Daily (mga buod ng balita) at Copilot Podcasts , pati na rin ng Copilot Labs . Sa Labs, ang mga demonstrasyon ng pagpapahayag ng pagsasalita at pagsasalaysay ay nagpapakita ng lawak ng kontrol sa estilo, ritmo, at tono, lahat ay may pangako ng mataas na katapatan na output.
Kung interesado kang mag-eksperimento, ang pinakadirektang paraan ay buksan ang Copilot Labs at i-access ang seksyon ng boses upang subukan ang mga narration mode . Bagama't mataas ang mga inaasahan, mahalagang tandaan na ito pa lamang ang unang batch; patuloy na uulitin ng Microsoft ang feedback ng komunidad, iaayos ang mga parameter at palalawakin ang mga kakayahan sa paglipas ng panahon.
MAI-1-preview: ang malakihang sinanay na modelo ng teksto
Kasama ng voice model ang MAI-1-preview , ang unang proprietary language model ng Microsoft AI na idinisenyo upang sundin ang mga tagubilin at epektibong sagutin ang mga pang-araw-araw na tanong. Ang napiling arkitektura ay mixture-of-experts (MoE), isang estratehiya kung saan maraming eksperto ang nagpapakadalubhasa at piling ina-activate depende sa gawain, na nagpapabuti sa kahusayan at pagganap.
Tungkol sa pagsasanay, ipinaliwanag ng Microsoft na ang MAI-1-preview ay paunang sinanay at pagkatapos ay sinanay gamit ang humigit-kumulang 15.000 Nvidia H100 GPU . Ang iskala na ito ay nagbibigay ng matibay na pundasyon para sa pagkakahanay ng mga tagubilin at para sa paghahatid ng mga praktikal na tugon sa mga karaniwang sitwasyon ng chat at produktibidad.
Ang pamamaraan ng MoE ay nakapagpapaalala sa mga kamakailang uso sa mga advanced na modelo: paghahati ng sistema sa mga espesyalisadong bahagi at pag-activate lamang ng kung ano ang kinakailangan bawat query. Ang pamamaraang ito ay nakita sa mga proyektong tulad ng DeepSeek at Qwen , kung saan ang kahusayan sa panahon ng paghihinuha ay nagiging isang salik na nagpapaiba kumpara sa tradisyonal na mga siksik na arkitektura.
Availability, pampublikong pagsusuri at progresibong deployment
Maaari nang subukan ang MAI-1-preview sa platform ng pagsusuri ng komunidad ng LMArena . Para subukan ito, mag-log in lang, piliin ang Direct Chat mode , at piliin ang “mai-1-preview” para maranasan ng sinuman ang kilos nito sa mga totoong pag-uusap at maihambing ito sa ibang mga modelo.
Sinimulan na rin ng Microsoft ang pag-deploy ng MAI-1-preview sa Copilot para sa ilang partikular na paggamit sa teksto. Dalawa ang layunin: ang mangalap ng feedback ng user at higit pang pinuhin ang modelo sa isang totoong kapaligiran, kasabay ng iba pang mga sistemang kasalukuyang sumusuporta sa mga pangunahing aspeto ng assistant ng kumpanya.
Kasabay nito, pinagana ng kumpanya ang pag-access sa API para sa mga pinagkakatiwalaang tester at developer sa maagang pag-access. Ang kontroladong yugtong ito ay magbibigay-daan sa kanila na mangalap ng feedback sa katatagan at pagganap bago ito ibukas sa mas malawak na madla, na may partikular na atensyon sa kalidad ng tugon at pagsunod sa mga tagubilin.
Ito ba ay isang kapalit para sa mga modelo ng OpenAI? Ang magkakasamang buhay at ang sarili nitong ambisyon
Nilinaw ng Microsoft na, sa ngayon, patuloy nitong pagsasamahin ang mga modelo nito sa mga modelo ng mga kasosyo at sa mga inobasyon ng komunidad. Sa pagsasagawa, nangangahulugan ito na ang MAI-1-preview ay hindi nilayon upang palitan ang mga sistemang kasalukuyang nagpapagana sa Copilot. Sa katunayan, plano ng kumpanya na gamitin ito para sa mga partikular na gawain , pagsukat ng mga resulta at pagsasaayos ng pag-deploy batay sa feedback.
Ipinapahiwatig ng ilang ulat na hindi nito papalitan ang mas advanced na mga bersyon ng pamilya ng GPT sa Copilot; sa anumang kaso, ang mahalagang punto ay ang Microsoft ay patungo sa mas malawak na kalayaan sa teknolohiya . Ang pakikipagtulungan sa OpenAI ay nagpapatuloy, ngunit mas detalyado, kung saan kinikilala na ngayon ng magkabilang panig ang isa't isa bilang mga kakumpitensya sa merkado ng AI.
Ang kabanatang ito ay nakatakda laban sa isang masalimuot na ugnayan sa OpenAI. Malaki ang namuhunan ng Microsoft, at sa loob ng isang panahon ang alyansa ay naging sentro ng estratehiya nito, ngunit noong nakaraang taon ay isinama nito ang OpenAI bilang karibal kasama ang Amazon, Apple, Google, at Meta. Kasabay nito, nagpahayag ng mga pag-aalinlangan ang OpenAI tungkol sa pagbabahagi ng mga makabagong teknolohiya sa hinaharap, tulad ng isang hipotetikal na AGI, na nagbibigay-diin sa pangangailangan para sa Microsoft na magkaroon ng sarili nitong mga kakayahan.
Pilosopiya ng Disenyo: Kapaki-pakinabang na AI, hindi isang "digital persona"
Higit pa sa mga sukatan at benchmark, ang Microsoft AI ay nanindigan sa karanasang dapat ialok ng conversational AI. Nagbabala si Suleyman tungkol sa panganib ng pagbuo ng mga sistemang tila may sarili nitong mga damdamin o layunin , isang bagay na maaaring lumikha ng mga hindi gustong inaasahan o kalituhan.
Ang roadmap ay kinabibilangan ng pag-aalis ng mga katangiang nagpapaantropomorpiko sa sistema, pagpapatibay ng isang AI na isang kapaki-pakinabang at responsableng kasangkapan, nang walang mga side effect ng pagkukunwaring may malay. Sa kaso ng MAI-Voice-1, nangangahulugan ito ng pagbibigay-priyoridad sa pagpapahayag at pagiging natural sa boses nang hindi lumalampas sa linya tungo sa mapanlinlang na paggaya sa mga emosyon ng tao .
Diskarte: mag-orkestrate ng mga dalubhasang modelo na may pagtuon sa produkto
Iginiit ng Microsoft na ang layunin nito ay bumuo ng isang ecosystem ng mga modelo na idinisenyo para sa mga partikular na intensyon at konteksto. Sa pagsasagawa, ang MAI-Voice-1 ay nagbibigay ng bilis at kalidad sa pasalitang interface, habang ang MAI-1-preview ay nakatuon sa mga gawain sa teksto kung saan ang pagsubaybay sa tagubilin at agarang gamit ng gumagamit ay nangunguna.
Ang modularidad na ito ay nagbibigay-daan sa Copilot at iba pang mga serbisyo na pagsamahin ang pinakamahusay sa bawat modelo depende sa kaso, ito man ay pagsasalaysay ng buod ng balita nang may nakakahimok na boses, tumpak na pagsagot sa isang pang-araw-araw na tanong, o pagsasaayos ng estilo ng isang pasalitang output para sa isang podcast o gabay sa pagmumuni-muni.
Gamitin ang mga kaso at pagkakataon para sa mga user at developer
Para sa end user, isinasalin ito sa mas kapaki-pakinabang na mga tugon at pinahusay na karanasan sa boses sa mga produktong ginagamit na nila. Para sa mga content o podcast team, ang pagkakaroon ng high-fidelity, low-latency voice engine ay nangangahulugan ng paggawa ng mas marami at mas mahusay na nilalaman na may mas kaunting teknikal na aberya.
Para sa mga developer, ang maagang pag-access sa pamamagitan ng MAI-1-preview API ay nagbubukas ng pinto sa prototyping at controlled testing, na nagbibigay-daan sa kanila na suriin kung saan nag-aalok ang modelong ito ng mga kalamangan kumpara sa iba. Ang LMArena phase ay nagbibigay-daan din sa mga paghahambing ayon sa konteksto at sa pagkolekta ng mga totoong sukatan sa kalidad ng tugon at ang kakayahang sumunod sa mga tagubilin.
- Mga gumagamit: Pinahusay na boses sa Copilot Daily at Mga Podcast; mas natural na pakikipag-ugnayan.
- Mga tagalikha: Mga pagsasalaysay at script na may kontrol sa istilo at ritmo.
- Negosyo: mga voice assistant na may napakababang latency at mataas na pagpapahayag.
- Mga Nag-develop: Pagsubok sa LMArena at maagang pag-access sa API para sa mabilis na pag-ulit.
Ano ang aasahan sa maikling panahon
Sa maikling panahon, makikita natin ang MAI-1-preview na magkakasamang magagamit kasama ng iba pang mga modelo sa Copilot para sa mga piling kaso ng paggamit ng teksto habang sinusuri ng Microsoft ang feedback at naglulunsad ng mga pagpapabuti. Ang unti-unting pamamaraang ito ay nagbibigay-daan sa amin upang masukat ang epekto at pinuhin ang karanasan nang hindi nakompromiso ang pangkalahatang karanasan ng gumagamit.
Kasabay nito, inaasahang higit pang pauunlarin ng kumpanya ang MAI-Voice-1 sa loob ng Copilot Labs at mga produktong ipinapatupad na ito. Sa pamamagitan ng pagdaragdag ng higit pang mga senaryo at halimbawa ng pagsasalita , mas mapapatunayan ng Microsoft ang tugon ng modelo sa magkakaibang istilo at mga hamon sa produksyon sa totoong mundo.
Mga palatandaan ng direksyon sa hinaharap
Malinaw ang tono ng Microsoft: may ambisyon na maabot ang bilyun-bilyong tao sa pamamagitan ng mga produkto nito, kasama ang mga pagsulong sa mga modelo at lakas ng pag-compute. Ang MAI-1 ang simula ng isang pamilya, at makatuwirang asahan ang mga pagkakaiba-iba at mga bagong bersyon na magpipino sa balanse sa pagitan ng kalidad, gastos, at latency.
Sa larangan ng kompetisyon, ang estratehiya ng MoE sa mga modelo ng teksto ay nagmumungkahi na patuloy na susuriin ng Microsoft ang mahusay na mga arkitektura ng paghihinuha, isang mahalagang salik sa pagpapalawak sa mataas na dami ng mga produktong pangmalawakang pamilihan. Ang kaso ng MAI-Voice-1 ay lalong nagpapatunay na ang boses ay isang prayoridad bilang interface sa hinaharap para sa mga katulong.
Relasyon sa ecosystem at pampublikong paninindigan
Mananatiling mahalaga ang ugnayan sa OpenAI, ngunit naipakita na ng Microsoft na ayaw nitong maitali sa iisang pinagmumulan ng inobasyon. Patuloy nitong isasama ang pinakamahusay mula sa koponan , mga kasosyo, at ang bukas na komunidad nito, hangga't nagdaragdag ito ng halaga sa mga produkto at mga customer. Kasabay nito, ipinoposisyon nito ang sarili nitong tatak (MAI) bilang sasakyan para sa pagkamit ng awtonomiya kung saan ito ay estratehiko.
Ang pagbabalanse na ito—ang pakikipamuhay ngayon at ang mas malawak na kalayaan bukas—ay maaaring magpabilis ng kompetisyon sa mga katulong at produktibidad. Para sa mga gumagamit, malinaw ang ninanais na epekto: mas malawak na iba't ibang kagamitan at mas praktikal na pag-uulit sa kung ano talaga ang lumulutas sa mga pang-araw-araw na problema.
Pinagsasama ng pamamaraan ng Microsoft sa MAI-Voice-1 at MAI-1-preview ang pragmatismo at bilis: isang mahusay at nagpapahayag na modelo ng boses na nagpapagana na ng mga karanasan sa Copilot, at isang malawakang modelo ng teksto na uri ng MoE na nagsisimula nang i-deploy sa mga kontroladong kapaligiran, maaaring masubukan sa LMArena, at binubuksan sa pamamagitan ng API sa mga mapagkakatiwalaang tagasubok. Malinaw ang umuusbong na layunin: mga espesyalisadong modelo, na isinama sa mga produkto, na umaangkop sa pang-araw-araw na pangangailangan ng bawat tao.
