Microsoft AI pod vedením CEO Mustafy Suleymana představil tři základní modely — MAI-Transcribe-1, MAI-Voice-1 a MAI-Image-2 — což představuje významný krok k budování vlastních AI schopností nad rámec partnerství s OpenAI za 13 miliard dolarů. Modely jsou dostupné prostřednictvím platformy Microsoft Foundry a pokrývají rozpoznávání řeči, generování hlasu a tvorbu obrázků za konkurenční ceny.

MAI-Transcribe-1 nabízí přepis řeči na text v podnikové kvalitě ve 25 jazycích za 0,36 dolaru za hodinu, je 2,5× rychlejší než stávající služba Azure Fast a překonává Whisper-large-v3 od OpenAI ve 14 jazycích. MAI-Voice-1 vygeneruje 60 sekund expresivního zvuku za méně než sekundu a dokáže naklonovat hlas z pouhých několika sekund nahrávky za 22 dolarů za milion znaků. MAI-Image-2 debutoval jako top 3 model na žebříčku Arena.ai s 2× rychlejší generací za 5 dolarů za milion vstupních tokenů.

Uvedení těchto modelů signalizuje rostoucí nezávislost Microsoftu na OpenAI v době sílícího závodu v AI. Společnost nyní pohání vlastní produkty Copilot, Bing a PowerPoint těmito interními modely, než je zpřístupnila externím vývojářům.