微軟推出兩款自研模型：語音模型 MAI-Voice 與端到端基座 MAI-1

過去很長一段時間裡，大家總覺得微軟雖然在 AI 領域花錢最狠，但自家 Copilot 肚子裡裝的其實全是 OpenAI 的東西。

現在微軟終於開始亮出真正的自研底牌了。8 月 28 日，微軟 AI 部門（MAI）一口氣拿出了兩款自研模型：語音生成模型 MAI-Voice-1，以及正在公開盲測的首個端到端基礎大模型 MAI-1-preview。

1 秒出 1 分鐘音訊，還有 1.5 萬張 H100 訓出的大底座

先來看那個馬上就能聽到的 MAI-Voice-1。這是一款專攻高擬真和表現力的語音模型，不管是單人獨白還是多人對話都能應付。

它最亮眼的地方在於效率。微軟官方稱，在一張單獨的 GPU 上，MAI-Voice-1 生成整整一分鐘的音訊連一秒都用不到。

目前這個模型已經悄悄接進了 Copilot Daily 和播客功能裡。微軟還在 Copilot Labs 開了體驗入口，使用者可以用一句話讓它生成互動故事，或者定製一段助眠冥想引導詞。

另一個大家更關心的重頭戲是 MAI-1-preview。這是微軟 AI 團隊第一個完全自主端到端訓練出來的基礎大模型。

微軟透露，它採用了混合專家（MoE）架構，預訓練和後訓練總共動用了大約 15000 張輝達 H100 顯示卡。模型主打的就是聽懂日常指令和解決高頻問題。

目前 MAI-1-preview 已經悄悄登入了大模型競技場 LMArena 接受社群盲測，也在開放 API 給受信任的測試者申請。未來幾週裡，它會陸續接入 Copilot 的部分文本場景。

微軟在公告最後還順便秀了一把肌肉，表示他們基於下一代輝達 GB200 的算力叢集現在也已經正式跑起來了。

為什麼重要

我們認為，這兩款模型標誌著微軟和 OpenAI 之間的微妙關係走到了一個新節點。

雖然微軟嘴上依然說著會繼續結合合作伙伴和開源社群的成果，但拿出 1.5 萬張 H100 去訓自研大底座，擺明了是不想把命根子永遠攥在別人手裡。如果核心推理全靠外部呼叫，Copilot 龐大使用者量帶來的成本壓力遲早會吃不消，自研是壓低邊際成本的必經之路。

從產品角度來看，MAI-Voice-1 的超高推理速度非常聰明。語音是 AI 伴侶體驗的命門，過去很多語音功能卡頓明顯，就是因為生成耗時太長，能做到單卡一秒出六十秒音訊，端側和伺服器併發的成本都會斷崖式下跌。

對於普通使用者來說，現在就可以直接去 Copilot Labs 感受一下它的語調自然度，不需要額外門檻。而對於整個行業來說，微軟不僅有場景和算力，現在連模型自研的飛輪也開始轉動了，這必然會給包括 OpenAI 在內的前沿模型廠商帶來更直接的競爭壓迫感。