Microsoft 3 új AI modellt indít, leveri az OpenAI-t és a Google-t

Microsoft a hétköznap három új alapmodellét mutatta be: MAI-Transcribe-1, MAI-Voice-1 és MAI-Image-2. Ezeket teljesen saját fejlesztésben készítették, a Microsoft Foundry és az új MAI Playground keresztül azonnal elérhetővé váltak. A transzkripciós modell az FLEURS bővített nyelvi tesztjén 3,8 % WER-t ért el, ami a 25 nyelv közül a legkisebb. 25 nyelven felülmúlja az OpenAI Whisper-large-v3-at, a Google Gemini 3.1 Flash-et 22-ben és az ElevenLabs Scribe v2-t 15-ben. (VentureBeat)

Az új rendszer 200 MB-os MP3, WAV vagy FLAC fájlokat dolgozhat fel, és 2,5-szer gyorsabb, mint az Azure Fast transzkripció. A Microsoft már Copilot Voice-módjában és a Teams beszélgetés transzkripciójában teszteli. A MAI-Voice-1 60 másodperces hangot generál egy másodperc alatt, a beszélő személyiségét megőrzi és egyetlen néhány másodperces hangmintával testre szabott hangot hozhat létre. A modell ára 22 USD/1 millió karakter.

MAI-Image-2 az Arena.ai ranglistáján a top-három közé került, és kétszer gyorsabb generálást kínál Foundry és Copilot környezetben. A Bing és a PowerPoint már használja, a szövegbeviteli díj 5 USD/1 millió token, a képkinyomási díj 33 USD/1 millió token. WPP, a világ egyik legnagyobb reklámcsoportja, már skálázza a modellt.

Az új modellek mögött a 2025-ös OpenAI-vel kötött szerződés felülvizsgálata áll. A megállapodás megengedte Microsoftnak, hogy önállóan fejlesszen AGI-t, miközben 2032-ig licencét tartja az OpenAI technológiáinak. Suleyman szerint a fejlesztők száma kevesebb, mint tíz, de a modellarchitektúrák és a nagy adathalmazok a kulcs.

Mit jelent ez a versenyre? Microsoft most már saját, 10 emberből álló csapatával képes a legjobb transzkripciót készíteni, felénél kevesebb GPU-val, mint a versenytársak. Ez a modellgazdaság új, költséghatékony modelleket tesz lehetővé, miközben a licencmegállapodás a hosszú távú együttműködést biztosítja az OpenAI-val.