- MAI-Voice-1 使用單一 GPU 產生具有超低延遲的高保真富有表現力的語音。
- MAI-1-preview 是一個使用約 15.000 個 H100 進行訓練的 MoE 模型，專注於遵循指令。
- 兩者都正在逐步整合到 Copilot 中，並可以在 Labs 和 LMArena 中進行測試。
- 策略：協調專門的模型，同時與 OpenAI 共存。
形象突出
微軟正式推出首批自主研發的人工智慧模型：MAI-Voice-1 和 MAI-1-preview ，這兩款模型均隸屬於微軟人工智慧 (Microsoft AI) 旗下。此舉旨在推動微軟的產品策略，使其助理和服務能夠受益於專為語音和文字處理而設計的專用模型。
這家科技公司的目標是讓人工智慧成為“通往知識宇宙的門戶”，建立一套能夠理解每位用戶的可靠系統。這體現在兩項關鍵創新：一是速度極快、表現力豐富的語音模型；二是融合多位專家意見的文本模型，專注於理解指令並為日常使用提供實用答案。
什麼是 MAI？為什麼是現在？
MAI是Microsoft AI的縮寫，微軟總部位於雷德蒙德，旗下擁有許多基礎模型。需要注意的是，微軟與OpenAI的合作關係仍在繼續，但競爭日益激烈，以至於微軟已將OpenAI列入競爭對手名單。即便如此，微軟仍堅持表示，在合適的情況下，將繼續使用來自合作夥伴和開源社群的「最佳模型」。
這些計畫的幕後推手是微軟人工智慧執行長兼DeepMind聯合創始人穆斯塔法·蘇萊曼，他明確表示，其目標在於打造「應用於產品的AI平台」。換句話說，就是開發能夠整合到Copilot和其他體驗中的專用模型，以高效滿足特定的語音和文字需求。
MAI-Voice-1：優先考慮速度和表現力的語音模型
首先亮相的是MAI-Voice-1，這是一款語音合成系統，能夠以極低的延遲生成富有表現力的高保真音訊。其主要賣點在於，它能在不到一秒的時間內產生一分鐘的音頻，同時保持聲音的自然度和語調變化。
除了速度之外，它的優勢之一在於表現力：該模型支援不同的配音風格、語調和細微差別，專為旁白或語音提示而設計。無論是在單人配音還是多人配音場景中，最終效果都如微軟所描述的那樣，呈現出「極富表現力且自然」的聲音。
效率也是一項關鍵特性：MAI-Voice-1 使用單一 GPU進行推理，使其成為目前最高效的語音系統之一。在計算成本高的生態系統中，這種優化對於將功能擴展到消費產品至關重要。
在可用性方面，MAI-Voice-1 已整合到Copilot Daily 和 Podcasts中，並且也作為一項全新體驗在Copilot Labs中提供。在 Copilot Labs 中，使用者可以嘗試不同的旁白和表現性語音，調整風格並在實驗室的限定範圍內探索不同的聲音。
它聽起來像什麼以及你今天可以用它做什麼
試過的人都說，音訊聽起來非常自然，語調和節奏控制得很好。不過要注意的是，目前這項功能僅支援英語。微軟提供了一些典型範例：你可以讓它播放“一個關於恐龍的故事”，然後很快就能收到一個長達一分鐘、語調和語氣都恰到好處的故事。
在 Copilot Labs 中，「音訊表達」功能可讓您根據腳本產生音訊並修改旁白風格。它包含多種模式，例如情感模式（用於調整語調和節奏，或分配不同的聲音）和麵向表現力豐富的旁白的敘事模式。其理念是方便使用者進行測試和原型設計，無需搭建複雜的環境即可探索各種可能性。
微軟列舉的應用場景涵蓋了從故事敘述和旁白到引導冥想等方方面面，以及具備即時對話功能的虛擬助理等。更低的延遲，加上更豐富的表現力，為語音介面帶來更流暢的體驗，而自然流暢的體驗對語音互動至關重要。
- 動態敘述 用於故事、播客或教育。
- 引導冥想 以及具有色調變化的健康內容。
- 對話助理 幾乎是即時、情境敏感。
- 快速成型 在 Copilot Labs 中進行風格和聲音調整。
運算效率：一分鐘音訊處理時間不到一秒
產生高保真度、富有表現力的音訊需要強大的技術實力，但 MAI-Voice-1 號稱僅用單一 GPU即可實現這一目標，並且延遲極低。其數據令人印象深刻：不到一秒即可處理一分鐘的音訊。對於消費級產品而言，低延遲和低成本的組合對於提供流暢且可擴展的用戶體驗至關重要。
在當今語音系統競相追求品質和速度的環境下，微軟將 MAI-Voice-1 定位為目前最高效的系統之一。這種高效性不僅轉化為成本節約，也使得以往因成本或延遲而無法實現的應用場景成為可能。
在哪裡可以嘗試 MAI-Voice-1
目前，用戶正在透過Copilot Daily（新聞摘要）、Copilot Podcasts以及Copilot Labs對 MAI-Voice-1 進行測試。在 Copilot Labs 中，富有表現力的語音和旁白演示展示了對風格、節奏和語調的控制能力，並承諾提供高保真輸出。
如果您有興趣嘗試，最直接的方法是開啟 Copilot Labs 並存取語音部分，體驗不同的旁白模式。雖然大家期望很高，但值得注意的是，這只是第一批功能；微軟將根據社群回饋不斷迭代，調整參數並逐步擴展功能。
MAI-1-預覽：大規模訓練文本模型
與語音模型一同推出的還有MAI-1-preview，這是微軟人工智慧的首個專有語言模型，旨在有效率地遵循指令並回答日常查詢。模型採用混合專家架構(MoE)，這是一種多位專家各有所長的策略，並根據任務選擇性地激活這些專家，從而提高效率和性能。
在訓練方面，微軟解釋說，MAI-1-preview 使用了大約15.000 個 Nvidia H100 GPU進行預訓練和後訓練。這種規模為指令對齊以及在常見的聊天和辦公場景中提供實用回應奠定了堅實的基礎。
MoE 方法與近期高階模型的發展趨勢不謀而合：將系統劃分為多個專用元件，並根據查詢需求僅啟動對應的元件。這種方案已應用於DeepSeek和 Qwen等專案中，在這些專案中，推理效率成為其區別於傳統密集架構的關鍵因素。
可用性、公開評估和逐步部署
MAI-1-preview 現已在LMArena社群評估平台上線，供使用者測試。只需登錄，選擇“直接聊天”模式，然後選擇“mai-1-preview”即可進行測試。任何人都可以體驗其在真實對話中的表現，並將其與其他模型進行比較。
微軟也已開始在 Copilot 中部署 MAI-1 預覽版，用於某些文字使用情境。此舉有兩個目的：一是收集使用者回饋，二是進一步完善真實環境中的模型，使其能夠與目前支撐微軟助手關鍵功能的其他系統協同工作。
同時，該公司已向受信任的測試人員和開發人員開放了早期存取的 API 權限。在這個受控階段，他們將收集有關 API 的穩健性和效能的回饋，然後再向更廣泛的使用者群體開放，尤其關注回應品質和對指令的遵循。
它會取代 OpenAI 的模型嗎？共存與自身的野心
微軟已明確表示，目前將持續將自己的模式與合作夥伴的模式以及社群創新結合。實際上，這意味著 MAI-1 預覽版並非旨在取代目前驅動 Copilot 的系統。事實上，微軟計劃將其用於特定任務，衡量結果並根據回饋調整部署。
一些報導指出，它不會取代Copilot中更高級的GPT系列模型；無論如何，重要的是微軟正在朝著更大的技術獨立性邁進。與OpenAI的合作仍在繼續，但更加微妙，雙方現在都視彼此為人工智慧市場的競爭對手。
本章以微軟與OpenAI之間錯綜複雜的關係為背景展開。微軟曾投入巨資，雙方的聯盟一度是其策略的核心，但去年微軟將OpenAI與亞馬遜、蘋果、Google和Meta並列為競爭對手。同時，OpenAI對分享未來的尖端技術（例如設想中的通用人工智慧）表示保留意見，這凸顯了微軟擁有自身能力的重要性。
設計理念：實用的人工智慧，而非“數位角色”
除了指標和基準之外，微軟人工智慧也對對話式人工智慧應提供的體驗提出了自己的觀點。蘇萊曼警告說，建構看似擁有自身情感或目標的系統存在風險，這可能會引發不必要的期望或造成困惑。
這張路線圖旨在消除使系統擬人化的功能，從而強化人工智慧作為實用且負責任的工具的特性，避免產生偽裝意識的副作用。以 MAI-Voice-1 為例，這意味著優先考慮語音的表現力和自然度，同時避免越界，以欺騙的方式模擬人類情感。
策略：以產品為中心，精心設計專業模型
微軟堅稱其目標是建構一個由針對特定意圖和場景設計的模型組成的生態系統。實際上，MAI-Voice-1 能夠快速、高品質地處理語音交互，而 MAI-1-preview 則專注於文字任務，在這些任務中，指令追蹤和即時用戶體驗尤為突出。
這種模組化設計使 Copilot 和其他服務能夠根據具體情況結合每種模型的優點，無論是用引人入勝的聲音播報新聞摘要、準確回答日常查詢，還是調整播客或冥想指南的語音輸出風格。
用戶和開發人員的用例和機會
對於最終用戶而言，這意味著他們在使用的產品中能夠獲得更有用的回覆和更好的語音體驗。對於內容創作或播客團隊而言，擁有高保真、低延遲的語音引擎意味著能夠以更少的技術阻力製作出更多更優質的內容。
對於開發者而言，透過MAI-1 預覽版 API 的早期訪問，可以進行原型設計和受控測試，從而評估該模型相較於其他模型的優勢所在。 LMArena 階段也支援進行情境比較，並收集關於回應品質和指令執行能力等方面的真實世界指標。
- 用戶：改進了 Copilot Daily 和 Podcasts 的語音；互動更加自然。
- 創作者：具有風格和節奏控制的旁白和腳本。
- 公司：具有極低延遲和高表現力的語音助理。
- 開發者：LMArena 測試和早期 API 訪問，以實現快速迭代。
短期內會發生什麼
短期內，MAI-1預覽版將與其他模型在Copilot中並行運行，用於特定的文字應用場景。同時，微軟將分析用戶回饋並推出改進方案。這種循序漸進的方式使我們能夠在不影響整體使用者體驗的前提下，衡量改進效果並優化使用者體驗。
同時，微軟預計將在 Copilot Labs 及其已應用的產品中進一步開發 MAI-Voice-1。透過增加更多語音場景和範例，微軟將能夠更好地驗證該模型對不同風格和實際生產挑戰的回應能力。
未來方向的跡象
微軟的立場非常明確：他們雄心勃勃地希望透過產品觸達數十億用戶，並在模型和運算能力方面不斷進步。 MAI-1 只是一個開端，未來會有更多衍生產品和迭代版本推出，以進一步優化品質、成本和延遲之間的平衡。
在競爭方面，微軟在文字模型方面的創新策略表明，它將繼續探索高效的推理架構，這對於大眾市場產品的大規模應用至關重要。 MAI-Voice-1案例進一步證實，語音作為未來助理互動方式的優先考量。
與生態系和公眾立場的關係
與 OpenAI 的合作關係仍將保持重要性，但微軟已經表明，它不想被單一的創新來源所束縛。只要能夠為產品和客戶創造價值，微軟就會繼續整合其團隊、合作夥伴和開放社群的精華。同時，微軟也在策略性地將自身品牌（MAI）定位為實現自主化的目標平台。
這種平衡策略——既要兼顧當下的共存，又要兼顧未來更大的獨立性——可能會加速助手和生產力領域的競爭。對使用者而言，其預期效果顯而易見：更多樣化的工具，以及針對真正解決日常問題而進行的更多實用迭代。
微軟的 MAI-Voice-1 和 MAI-1-preview 兼具實用性和速度：高效且富有表現力的語音模型已應用於 Copilot 等產品，而大規模的 MoE 型文字模型也已開始在受控環境中部署，可在 LMArena 進行測試，並透過 API 向受信任的測試人員開放。其目標清晰明確：將客製化的模型整合到產品中，使其能夠適應每個人的日常需求。
