就在OpenAI發布最新的語音大模型之際，微軟掏出了自研語音大模型！

微軟AI掌門人、DeepMind聯合創始人Mustafa Suleyman正式宣布：

微軟AI正式推出MAI-Voice-1以及MAI-1-預覽版！而且還有更多內容即將推出。

MAI-Voice-1語音模型效率極高：單GPU秒出1分鐘音頻！使用Copilot即可體驗。

在Mustafa Suleyman看來，這是他用過表現力最豐富、最自然的語音生成模型。

而MAI-1預覽版模型是微軟AI首個端到端內部訓練的自研基礎模型。

這標志著在多年依賴OpenAI模型之后，微軟AI部門正式與OpenAI及整個行業正面競爭，也意味著微軟在AI競賽中，開始掌握更多主動權。

在接受采訪時，Suleyman 表示：「微軟是世界上最大的公司之一。我們必須具備內部能力，來打造世界最強的模型。」

MAI-Voice-1，究竟能力如何

在微軟官方給出的指標中，最能引起我們注意的，是「單卡<1秒，生成1分鐘音頻」。

這使其成為當前少見的極致低時延TTS/對話式語音生成系統之一。

除此之外，語音的自然和富有表現力也是重點，這覆蓋到了單人敘述與多說話人對話兩種常見內容形態。

新聞播報、播客對談、故事講述、冥想/引導等，你能想到的，統統沒問題。

你可以選擇9種不同的語音：

也可以選擇多達31種不同的情緒和播報場景：

你還可以讓模型扮演一個激情四射的體育解說員，點燃你的情緒：

具體到落地上，我們可以通過Copilot Labs，在Copilot Daily中以AI主播播報要聞、在Copilot Podcasts生成播客式討論，Copilot Labs 提供可玩Demo（可以自定義內容、敘述風格等）。

下面是兩段該模型生成的語音Demo，你可以聽聽看，滿分5分想給幾分？是否還有AI味呢？歡迎在評論區留下您的測評意見。

微軟與OpenAI難舍難分

長期以來，微軟主要依靠OpenAI的人工智能模型，為核心產品提供AI功能。

OpenAI目前估值約5000億美元，微軟一家的投資就超過了130億美元，而OpenAI也依賴微軟的云基礎設施來運行其模型。

但現在宣布：「未來幾周，我們將在Copilot的部分文本任務中逐步推出MAI-1-preview，以便從用戶反饋中學習和改進。」

目前，微軟仍在Bing、Windows 11及其他產品中使用OpenAI的模型。

但雙方的關系日漸惡化。

去年，微軟在年度財報中正式將OpenAI列入競爭對手名單，之前多年來只包含亞馬遜、蘋果、谷歌和 Meta等科技巨頭。

近幾個月，OpenAI也轉向CoreWeave、谷歌和甲骨文等其他云服務商，以滿足激增的算力需求。

與OpenAI同期發布語音模型，意欲何為

就在昨天，OpenAI也發布了最新的語音生成大模型GPT-Realtime，整體嵌入在Realtime API中。

該模型在語音自然性、情感豐富度、低延遲響應上顯著提升，能夠在一句話之內實現語調、語言的無縫切換，還支持工具調用、指令跟隨能力。

為什么微軟選擇在此時發布新模型？

此次發布雖然只有語音模型和預覽版通用模型，但釋放出的信號不容忽視。

其一，語音將成為AI助手的重要戰場。

MAI?Voice?1的效率和表達力有望推動語音助手晉級的「數字伙伴」。

而富有情感和個性的數字伙伴，是Grok等模型時下開始發力的一個新突破點，潛力頗大。

其二，OpenAI不再是唯一選擇。

大模型發展進入「百模大戰」階段，各巨頭紛紛推出自研產品。

微軟此舉既是對OpenAI合作的補充，也為自己與OpenAI的重大商業談判中增加了可觀的籌碼。

其三，MoE架構成大模型新趨勢。

MAI?1?preview采用MoE架構，訓練規模適中但更關注指令遵循和響應效率，能兼顧性能與成本。

隨著LLM細分應用增多，多專家模型將成為重要方向。

其四，生態開放值得期待。

微軟表示將在Copilot及第三方測試平臺開放模型，鼓勵開發者提供反饋。

在媒體采訪中，Mustafa Suleyman表示：

人工智能不僅是科技的未來，更是未來幾十年商業運行和價值創造的核心。

因此，研發最強的模型，不僅是技術追求，更是微軟作為企業的戰略必然。

我們必須擁有自己的核心能力。

在14個月前，他和團隊從Inflection加入微軟后，就一直全力推動這件事。

如今，微軟終于發布了兩款自研模型。

Suleyman強調，微軟未來會繼續使用OpenAI的模型，也會用開源模型，但關鍵在于「編排器」（orchestrator）。

這是一種模型調度系統，能夠根據任務自動選擇合適的模型來完成特定請求，類似「路由器」。

他認為，這種編排能力將成為微軟的重要知識產權。

外界普遍猜測，微軟推出自研模型，是否意味著與OpenAI的關系在降溫？

對此，Suleyman回應道：

我們的目標是進一步加深與OpenAI的合作，并保持長期良好的伙伴關系。

雙方的合作已經非常成功，未來我相信仍會繼續下去。 

微軟如何自研大模型

這次微軟AI透露：「MAI-1-preview是MoE模型，使用約1.5萬張NVIDIA H100 GPU進行了預訓練和后訓練。」

在LMArena文本任務榜單上，MAI-1排名第13，落后于DeepSeek、谷歌、OpenAI和xAI等主要AI玩家的模型。

相比之下，xAI的Grok模型則動用了超過10萬張同類芯片。

微軟AI只用相對小規模的集群，也能訓練出非常強大的模型。

Suleyman認為自研的新模型表現遠超其硬件規模，完全可以和世界上最強的模型媲美，而且現在才剛剛開始調優。

一旦模型投入實際應用并開始收集反饋，隨著不斷迭代，性能還會顯著提升。

對微軟AI來說，這僅僅是個開始。

微軟AI算力充沛，已經在使用全球最大的數據中心之一，并配備了Nvidia下一代GB-200芯片，研發下一版本模型。

而且，他們有一個龐大的五年規劃，并會持續投資算力。

規模很重要，但效率同樣關鍵。

這意味著要精挑細選高質量的訓練數據，確保每一次浮點運算、每一次GPU迭代都發揮最大價值。

現在訓練模型的核心能力，已經越來越變成了一種「工藝」——選對數據，避免把算力浪費在無效的token上。

Suleyman 表示，公司利用了一些源自開源社區的技術，使得有限資源發揮了更大作用。

這是微軟首次完整端到端訓練的大模型。在研發過程中，團隊也遇到了不少挑戰。

Suleyman坦言：「構建這樣規模的集群、訓練如此龐大的數據，需要不斷的調試、迭代和耐心。這是每一家實驗室都會面臨的難題。」

他對團隊的表現非常滿意：「我們從中學到了很多，也積累了足夠的經驗去打造更多優秀的模型。」

他把這比喻成「轉動飛輪」：一旦模型研發進入正循環，每一代都會推動下一代更快成長。

之前，Suleyman在Inflection，甚至DeepMind都有相關經驗，不過那時候算力規模較小，GPU還沒有動輒十萬張。

這次的首個模型訓練成功，他認為關鍵在于文化：

優秀的文化吸引了優秀的人，是優秀的團隊才能構建出優秀的模型。

而最終，這個團隊的價值觀，也會自然地被注入到模型和產品中。

Suleyman還透露他們已經在開發下一個模型了：規模更大，訓練架構也做了一些新的調整。

現在一切都已經啟動了，接下來幾個月、幾年里都會有很多值得期待的東西。