微软正式宣布推出三款重量级 AI 模型：MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2。这些模型旨在提供世界级的质量与卓越的运行速度，并以极具竞争力的价格面向市场。目前，用户已可通过 Microsoft Foundry 和 MAI Playground 体验这些最新成果。

MAI-Transcribe-1

MAI-Transcribe-1 是一款专为真实世界音频设计的语音转文本模型。它在各种口音、说话风格以及嘈杂环境下均能保持极高的转录准确率。

• 多语言卓越表现：支持包括中文、英语、日语等在内的 25 种语言。
• 行业基准领先：在 FLEURS 基准测试中，MAI-Transcribe-1 的字错率（WER）表现优于 Scribe v2、Whisper-large-V3、GPT-Transcribe 和 Gemini 3.1 Flash。
  • 在所有 25 种语言中，其表现均超越了 Whisper。
  • 在 22 种语言中，其表现优于 Gemini 3.1 Flash。
• 高效率与性价比：该模型不仅精度高，而且处理速度极快。其起步价格仅为 每小时音频 0.36 美元。

Screenshot_20260402-2344221651×646 65.1 KB

MAI-Voice-1

MAI-Voice-1是一款能够生成高保真、自然且富有表现力语音的文本转语音（TTS）模型。它能够精准捕捉人类的语调、节奏和情感细微差别。

• 核心优势：
  • 情感控制：支持逐句的情感与语调微调。
  • 即时语音克隆：通过“语音提示”功能，只需提供几秒钟的音频片段，即可瞬间匹配并克隆音色。
  • 长内容生成：专为有声读物、讲座和播客等长篇内容打造。
• 速度与价格：该模型具有极高的 GPU 利用率，生成速度惊人。定价为 每 100 万字符 22 美元。

MAI-Image-2

MAI-Image-2 采用基于扩散（Diffusion）的生成架构，利用 Flow-matching 损失函数 确保训练的稳定性和高效性。

• 视觉巅峰：该模型在生成写实图像（Photorealistic）、产品设计和 3D 建模方面表现尤为出色。
• 技术规格：
  • 参数规模：100 亿至 500 亿非嵌入参数。
  • 上下文长度：支持高达 32K token 的文本输入。
  • 输出质量：最大支持 1024x1024 像素 的高质量图像输出。
• 企业级应用：全球领先的营销集团 WPP 已开始大规模应用 MAI-Image-2。
• 定价：文本输入每 100 万 token 为 5 美元，图像输出每 100 万 token 为 33 美元。

微软始终将 AI 安全放在首位。这些模型均经过了严苛的测试与红队对抗演练：

• 防御机制：MAI-Image-2 采用了深度防御方法，通过数据过滤和系统级缓解措施（如内容分类器）来减少有害内容的生成。
• 红队测试：微软 AI 红队（AIRT）对模型进行了多轮攻击模拟，覆盖了暴力、等八大伤害类别，确保了模型的安全性。
• 合规克隆：MAI-Voice-1 的语音克隆功能设有严格的准入机制，要求提供配音员的录音同意声明，以确保法律合规。

即刻开始构建：开发者现在可以通过 Microsoft Foundry 访问这些模型并获取企业级控制与安全保障。此外，MAI Playground 现已开放，供用户直接互动体验。

Today we're announcing 3 new world class MAI models, available in Foundry

3.1 Flash Live

gemini不是只有3.0flash喝3.1flash lite嘛，哪来的3.1flash