微软推自研多模态模型：Bing 生图已全面替换，语音速度翻倍

微软曾经是 OpenAI 最重要的盟友和最大金主，但在自家产品的深处，它正在把别人的模型一个接一个换下来。

Microsoft AI 团队宣布推出两款自研模型公测版，分别是主打极致画质与文字渲染的 MAI-Image-2.5-Pro，以及专为高并发语音交互设计的 MAI-Voice-2-Flash。

伴随模型上线的，还有微软自研战略的全面铺开：Bing Image Creator 已经实现 100% 默认采用自研模型端到端驱动，下一代 GB200 算力集群也已正式点亮运转。

画质拉满、成本砍半，自研模型走入一线

这次公布的 MAI-Image-2.5-Pro，是微软迄今画质最高的自研图像生成模型。除了写实细节，它专门解决了生图模型最常翻车的文字排版难题，并支持用自然语言直接微调修图。

它的 API 定价定在每百万文本输入 token 5 美元、图像输入 8 美元、图像输出 106 美元。据第三方行业追踪报道，在 PowerPoint 和必应等场景下，相比此前依赖的外部模型，它能把 GPU 计算成本最高削减 84%。

主打速度的 MAI-Voice-2-Flash 则走向另一个极端，专为客服呼叫中心等超高频场景设计。它保留了自然语调与声学表现，响应速度比上一代 MAI-Voice-2 翻倍，价格降了 32%，每百万字符收费 15 美元。

据报道，该模型已在 Dynamics 365 联络中心落地，服务包括 T-Mobile 和易捷航空在内的企业客户，将相关场景的 GPU 开销降低了多达 89%。

从听诊器到 GB200，全面摆脱第三方依赖

微软强调，这一系列模型完全由 Microsoft AI 团队在内部自主训练，全程采用干净且来源可追溯的企业级数据，没有使用任何第三方商业模型进行蒸馏。

自研的触角甚至已经伸进了医疗行业。拥有 17 万医疗机构用户、上季度处理了 2800 万次就诊记录的 Dragon Copilot，正式换上了自研的 MAI-Transcribe-1.5 转录模型。

该转录模型覆盖 58 种语言。在微软内部的多语种测试里，它把听写和语种识别的错误率相对拉低了 50%，直接提升了后续病历生成的准确度。

底座算力方面，微软透露其下一代英伟达 GB200 集群已经投入运转。目前普通开发者与企业客户已经可以在 Foundry、Learn 文档和 MAI Playground 中测试这两款新模型。

为什么重要

我们认为，微软这一步标志着科技巨头对外部基础模型依赖症的彻底终结。一年前微软成立 Microsoft AI 时，外界多半以为这只是一次防守型组织调整，现在看它是在用极快速度执行模型替代路线。

对企业和开发者来说，最大的价值在于性价比和合规确定性。自研模型让必应和 Dynamics 等软件的推理成本断崖式下跌，且微软明确标注数据来源纯净、没有第三方蒸馏风险，这恰恰击中了医疗、金融等大客户最忌惮的合规痛点。

对行业而言，OpenAI 的生存压力看起来正在加倍。微软作为 OpenAI 的核心渠道，一旦自家产品线全面默认使用 MAI 替代 GPT 系列，OpenAI 就必须直面更残酷的外部商业化竞争。

不过隐患同样存在。微软在模型追赶期选择了单点突破，把图像文字排版、语音吞吐做得很极致，但在超大规模通用推理能力上，MAI 家族是否能在复杂业务里长期顶替顶尖通用模型，依然有待真实生产环境的考验。