微软推出两款自研 AI 模型，面向图像生成与语音交互

微软于当地时间 7 月 23 日宣布推出两款自研 AI 模型：MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，均已进入公开预览阶段。前者是微软目前精度最高的图像模型，支持主视觉图片生成、细节编辑及图像内文字渲染，并可通过自然语言指令调整内容。后者针对高频语音场景优化，速度较前代提升约 2 倍，成本降低 32%，适用于客服中心、语音助手等场景。

两款模型已逐步应用于微软旗下产品。Bing Image Creator 已全面采用 MAI-Image-2.5 作为默认图像生成模型；PowerPoint 中，该模型用于图像编辑功能，相比 GPT-Image-2 可降低最高 84%的 GPU 成本；OneDrive 中，部署后相关场景保存成功率提升 26%，延迟降低约 25%。语音模型 MAI-Voice-2-Flash 已接入 Dynamics 365 Contact Center，用于企业客服智能体，可降低最高 89%的 GPU 成本。

微软表示，其自研模型正与专业领域结合，如 MAI-Transcribe-1.5 已应用于医疗语音方案 Dragon Copilot，支持 58 种语言，在多语言测试中语音转录错误率降低 50%。微软 AI 团队下一代 GB200 计算集群已投入运行，将继续推进模型研发。