微软推出两款自研模型：语音模型 MAI-Voice 与端到端基座 MAI-1

过去很长一段时间里，大家总觉得微软虽然在 AI 领域花钱最狠，但自家 Copilot 肚子里装的其实全是 OpenAI 的东西。

现在微软终于开始亮出真正的自研底牌了。8 月 28 日，微软 AI 部门（MAI）一口气拿出了两款自研模型：语音生成模型 MAI-Voice-1，以及正在公开盲测的首个端到端基础大模型 MAI-1-preview。

1 秒出 1 分钟音频，还有 1.5 万张 H100 训出的大底座

先来看那个马上就能听到的 MAI-Voice-1。这是一款专攻高拟真和表现力的语音模型，不管是单人独白还是多人对话都能应付。

它最亮眼的地方在于效率。微软官方称，在一张单独的 GPU 上，MAI-Voice-1 生成整整一分钟的音频连一秒都用不到。

目前这个模型已经悄悄接进了 Copilot Daily 和播客功能里。微软还在 Copilot Labs 开了体验入口，用户可以用一句话让它生成互动故事，或者定制一段助眠冥想引导词。

另一个大家更关心的重头戏是 MAI-1-preview。这是微软 AI 团队第一个完全自主端到端训练出来的基础大模型。

微软透露，它采用了混合专家（MoE）架构，预训练和后训练总共动用了大约 15000 张英伟达 H100 显卡。模型主打的就是听懂日常指令和解决高频问题。

目前 MAI-1-preview 已经悄悄登录了大模型竞技场 LMArena 接受社区盲测，也在开放 API 给受信任的测试者申请。未来几周里，它会陆续接入 Copilot 的部分文本场景。

微软在公告最后还顺便秀了一把肌肉，表示他们基于下一代英伟达 GB200 的算力集群现在也已经正式跑起来了。

为什么重要

我们认为，这两款模型标志着微软和 OpenAI 之间的微妙关系走到了一个新节点。

虽然微软嘴上依然说着会继续结合合作伙伴和开源社区的成果，但拿出 1.5 万张 H100 去训自研大底座，摆明了是不想把命根子永远攥在别人手里。如果核心推理全靠外部调用，Copilot 庞大用户量带来的成本压力迟早会吃不消，自研是压低边际成本的必经之路。

从产品角度来看，MAI-Voice-1 的超高推理速度非常聪明。语音是 AI 伴侣体验的命门，过去很多语音功能卡顿明显，就是因为生成耗时太长，能做到单卡一秒出六十秒音频，端侧和服务器并发的成本都会断崖式下跌。

对于普通用户来说，现在就可以直接去 Copilot Labs 感受一下它的语调自然度，不需要额外门槛。而对于整个行业来说，微软不仅有场景和算力，现在连模型自研的飞轮也开始转动了，这必然会给包括 OpenAI 在内的前沿模型厂商带来更直接的竞争压迫感。