Microsoft udostępnia trzy multimodalne modele AI: transkrypcję, głos i obraz/wideo

Co udostępniono

Nowe modele to MAI-Transcribe-1 (transkrypcja mowy), MAI-Voice-1 (generowanie audio, w tym niestandardowych głosów) oraz MAI-Image-2 (generowanie obrazów i materiałów wideo). Wszystkie powstały w zespole MAI Superintelligence.

• MAI-Transcribe-1: transkrypcja w 25 językach; 2,5× szybszy niż oferta Azure Fast.
• MAI-Voice-1: generuje 60 sekund audio w około 1 sekundę; obsługa tworzenia niestandardowych głosów.
• MAI-Image-2: model generujący obrazy i wideo; pierwotnie udostępniony w MAI Playground 19 marca.
• Modele opracował zespół MAI Superintelligence pod kierownictwem Mustafy Suleymana.

Dostępność i ceny

Wszystkie trzy modele trafiły do Microsoft Foundry; modele transkrypcji i głosowy są również dostępne w MAI Playground. Microsoft podaje ceny wyjściowe: MAI-Transcribe-1 od 0,36 USD za godzinę; MAI-Voice-1 od 22 USD za 1 mln znaków; MAI-Image-2 od 5 USD za 1 mln tokenów tekstowych i 33 USD za 1 mln tokenów dla wyjścia obrazowego.

Strategia i kontekst rynkowy

Microsoft prezentuje modele jako część strategii budowy „Humanist AI”, stawiającej człowieka w centrum zastosowań. Firma podkreśla także konkurencyjność cenową wobec modeli Google i OpenAI, jednocześnie deklarując kontynuację partnerstwa z OpenAI — Microsoft zainwestował w ten podmiot ponad 13 mld USD, a według doniesień renegocjacje umowy umożliwiły firmie prowadzenie własnych badań nad superinteligencją.