微软推出其首款自研 AI 模型：MAI-Voice-1 秒级生成音频，MAI-1-preview 剑指 Copilot 文本场景

8 月 29 日消息，周四，微软人工智能部门正式推出其首批两款自研 AI 模型 ——MAI-Voice-1 语音模型与 MAI-1-preview 通用模型。据微软介绍，全新的 MAI-Voice-1 语音模型仅需单块 GPU，就能在 1 秒内生成时长 1 分钟的音频；而 MAI-1-preview 模型则“让用户提前窥见 Copilot 未来功能的发展方向”。

目前，微软已将 MAI-Voice-1 应用于多项功能中：例如在“Copilot Daily”功能里，AI 主持人会通过该模型播报当日热点新闻；同时，它还能生成播客风格的对话内容，帮助用户理解各类话题。

普通用户可在 Copilot Labs 平台亲自体验 MAI-Voice-1：不仅能输入希望 AI 表达的内容，还可自定义语音音色与说话风格。除这款语音模型外，微软此次同步推出的 MAI-1-preview 模型，训练过程动用了约 1.5 万块英伟达 H100 GPU。该模型专为特定需求用户设计，具备遵循指令的能力，可“为日常咨询提供实用回应”。

微软 AI 负责人穆斯塔法・苏莱曼去年在《Decoder》播客某期节目中表示，公司内部研发的 AI 模型并未将企业级应用场景作为核心方向，他解释道：“我的思路是，我们必须打造一款对消费者而言体验极佳的产品，并针对自身应用场景进行深度优化。在广告业务、消费者行为数据等领域，我们拥有海量高预测性、高实用性的数据，因此我的工作重点是构建真正适配‘消费者伙伴’定位的模型。”

据悉，微软 AI 计划将 MAI-1-preview 模型应用于 Copilot 助手的特定文本使用场景（目前 Copilot 主要依赖 OpenAI 的大型语言模型）。同时，该模型已开始在 AI 基准测试平台 LMArena 上进行公开测试。

注意到，微软 AI 团队在博客文章中写道：“我们对未来发展有着宏大规划。接下来，我们不仅会持续推进技术突破，更相信通过整合一系列针对不同用户需求与应用场景的专业模型，将释放出巨大价值。”