Microsoft AI атакува пазара с три нови собствени модела: Генерация на текст, глас и изображения

Изследователският отдел за изкуствен интелект на Microsoft представи три нови модела на изкуствен интелект, които могат да генерират текст, глас и изображения. В конкуренция с водещите лаборатории за AI технологии компанията реши да засили позициите си, като заложи на собствена мултимодална инфраструктура.

Моделът MAI-Transcribe-1 превежда реч на 25 езика в текст, като превъзхожда услугата Azure Fast 2,5 пъти. Вторият модел MAI-Voice-1 създава едноминутен аудиозапис за една секунда и поддържа персонализиране на гласа. MAI-Image-2 отговаря за генерирането на визуално съдържание от текстово описание.

TechCrunch съобщава, че по проекта е работил MAI Superintelligence – екип, посветен на фундаменталните изследвания в областта на усъвършенстваните системи за изкуствен интелект, който през ноември 2025 г. бе оглавен от Мустафа Сюлейман, изпълнителен директор на подразделението.

В настоящия проект разработчиците са се съсредоточили върху намаляването на разходите за изчисления в сравнение с колегите от Google и OpenAI. Таксите за декодиране на текст започват от $0,36 на час, синтезът на реч се оценява на $22 за 1 млн. знака, а работата с изображения струва $5 за 1 млн. входни маркера и $33 за генериране на 1 млн. изходни маркера. Всички модели вече са внедрени в платформата Microsoft Foundry, а моделите за транскрипция и синтез на реч са налични и в MAI Playground.

Въпреки активното пускане на собствени проекти, в интервю за VentureBeat Сюлейман потвърди ангажимента си към партньорството с OpenAI, в което Microsoft вече е инвестирала над 13 млрд. долара. Корпорацията ще продължи да използва моделите на OpenAI в своите продукти по силата на многогодишен договор, прилагайки същата стратегия за диверсификация, както при микрочиповете.