微软自研大模型震撼发布：语音与通用模型齐头并进

【导读】微软紧跟OpenAI的步伐，在同一天也亲自下场发布了两个大模型：语音模型MAI-Voice-1和通用模型MAI-1-preview。对于这位科技巨头，亲自下场做的第一个AI大模型，效果究竟如何？

就在OpenAI发布最新语音大模型之际，微软也推出了自研的语音大模型！

微软AI掌门人、DeepMind联合创始人Mustafa Suleyman正式宣布：

微软AI正式推出MAI-Voice-1以及MAI-1-预览版！未来还有更多精彩内容即将推出。

MAI-Voice-1语音模型效率极高：单GPU即可秒出1分钟音频！使用Copilot即可体验。

在Suleyman看来，这是他用过表现力最丰富、最自然的语音生成模型。

而MAI-1预览版模型是微软AI首个端到端内部训练的自研基础模型。

这标志着在多年依赖OpenAI模型之后，微软AI部门正式与OpenAI及整个行业正面竞争，也意味着微软在AI竞赛中，开始掌握更多主动权。

在接受采访时，Suleyman表示：「微软是世界上最大的公司之一。我们必须具备内部能力，来打造世界最强的模型。」

MAI-Voice-1，究竟能力如何

在微软官方给出的指标中，最引人注意的是「单卡<1秒，生成1分钟音频」。

这使其成为当前少有的极致低时延TTS/对话式语音生成系统之一。

除此之外，语音的自然和富有表现力也是重点，这覆盖到了单人叙述与多说话人对话两种常见内容形态。

新闻播报、播客对谈、故事讲述、冥想/引导等，你都可以尝试。

你可以选择9种不同的语音：

也可以选择多达31种不同的情绪和播报场景：

你还可以让模型扮演一个激情四射的体育解说员，点燃你的情绪：

具体到应用上，我们可以通过Copilot Labs，在Copilot Daily中以AI主播播报要闻、在Copilot Podcasts生成播客式讨论。Copilot Labs提供可玩Demo（可以自定义内容、叙述风格等）。

微软与OpenAI的微妙关系

长期以来，微软主要依靠OpenAI的人工智能模型，为核心产品提供AI功能。

OpenAI目前估值约5000亿美元，微软一家的投资就超过了130亿美元，而OpenAI也依赖微软的云基础设施来运行其模型。

但现在宣布：「未来几周，我们将在Copilot的部分文本任务中逐步推出MAI-1-preview，以便从用户反馈中学习和改进。」

同期发布语音模型，意图何在

就在昨天，OpenAI也发布了最新的语音生成大模型GPT-Realtime，整体嵌入在Realtime API中。

该模型在语音自然性、情感丰富度、低延迟响应上显著提升，能够在一句话之内实现语调、语言的无缝切换，还支持工具调用、指令跟随能力。

微软如何自研大模型

这次微软AI透露：“MAI-1-preview是MoE模型，使用约1.5万张NVIDIA H100 GPU进行了预训练和后训练。”

Suleyman认为自研的新模型表现远超其硬件规模，完全可以和世界上最强的模型媲美，而且现在才刚刚开始调优。

“一旦模型投入实际应用并开始收集反馈，随着不断迭代，性能还会显著提升。”他说道。

... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...