微軟推自研多模態模型：Bing 生圖已全面替換，語音速度翻倍

微軟曾經是 OpenAI 最重要的盟友和最大金主，但在自家產品的深處，它正在把別人的模型一個接一個換下來。

Microsoft AI 團隊宣佈推出兩款自研模型公測版，分別是主打極致畫質與文字渲染的 MAI-Image-2.5-Pro，以及專為高併發語音互動設計的 MAI-Voice-2-Flash。

伴隨模型上線的，還有微軟自研戰略的全面鋪開：Bing Image Creator 已經實現 100% 預設採用自研模型端到端驅動，下一代 GB200 算力叢集也已正式點亮運轉。

畫質拉滿、成本砍半，自研模型走入一線

這次公佈的 MAI-Image-2.5-Pro，是微軟迄今畫質最高的自研影像生成模型。除了寫實細節，它專門解決了生圖模型最常翻車的文字排版難題，並支援用自然語言直接微調修圖。

它的 API 定價定在每百萬文本輸入 token 5 美元、影像輸入 8 美元、影像輸出 106 美元。據第三方行業追蹤報道，在 PowerPoint 和必應等場景下，相比此前依賴的外部模型，它能把 GPU 計算成本最高削減 84%。

主打速度的 MAI-Voice-2-Flash 則走向另一個極端，專為客服呼叫中心等超高頻場景設計。它保留了自然語調與聲學表現，響應速度比上一代 MAI-Voice-2 翻倍，價格降了 32%，每百萬字元收費 15 美元。

據報道，該模型已在 Dynamics 365 聯絡中心落地，服務包括 T-Mobile 和易捷航空在內的企業客戶，將相關場景的 GPU 開銷降低了多達 89%。

從聽診器到 GB200，全面擺脫第三方依賴

微軟強調，這一系列模型完全由 Microsoft AI 團隊在內部自主訓練，全程採用乾淨且來源可追溯的企業級資料，沒有使用任何第三方商業模型進行蒸餾。

自研的觸角甚至已經伸進了醫療行業。擁有 17 萬醫療機構使用者、上季度處理了 2800 萬次就診記錄的 Dragon Copilot，正式換上了自研的 MAI-Transcribe-1.5 轉錄模型。

該轉錄模型覆蓋 58 種語言。在微軟內部的多語種測試裡，它把聽寫和語種識別的錯誤率相對拉低了 50%，直接提升了後續病歷生成的準確度。

底座算力方面，微軟透露其下一代輝達 GB200 叢集已經投入運轉。目前普通開發者與企業客戶已經可以在 Foundry、Learn 文件和 MAI Playground 中測試這兩款新模型。

為什麼重要

我們認為，微軟這一步標誌著科技巨頭對外部基礎模型依賴症的徹底終結。一年前微軟成立 Microsoft AI 時，外界多半以為這只是一次防守型組織調整，現在看它是在用極快速度執行模型替代路線。

對企業和開發者來說，最大的價值在於價效比和合規確定性。自研模型讓必應和 Dynamics 等軟體的推理成本斷崖式下跌，且微軟明確標註資料來源純淨、沒有第三方蒸餾風險，這恰恰擊中了醫療、金融等大客戶最忌憚的合規痛點。

對行業而言，OpenAI 的生存壓力看起來正在加倍。微軟作為 OpenAI 的核心渠道，一旦自家產品線全面預設使用 MAI 替代 GPT 系列，OpenAI 就必須直面更殘酷的外部商業化競爭。

不過隱患同樣存在。微軟在模型追趕期選擇了單點突破，把影像文字排版、語音吞吐做得很極致，但在超大規模通用推理能力上，MAI 家族是否能在複雜業務里長期頂替頂尖通用模型，依然有待真實生產環境的考驗。