--- title: "Microsoft udostępnia trzy multimodalne modele AI: transkrypcję, głos i obraz/wideo" description: "Microsoft AI wprowadził trzy multimodalne modele: MAI-Transcribe-1, MAI-Voice-1 i MAI-Image-2. Modele są dostępne przez Microsoft Foundry i MAI Playground, a firma podkreśla konkurencyjne ceny." publisher: "Najnowsze Informacje" language: "pl-PL" canonical_url: "https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo" markdown_url: "https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo/index.md" date_published: "2026-04-22T00:12:06.053Z" date_modified: "2026-07-31T22:17:48.176Z" author: "Redakcja" category: "Technologie" tags: - "AI" - "multimodal" - "transkrypcja" - "generowanie-audio" source_url: "https://techcrunch.com/2026/04/02/microsoft-takes-on-ai-rivals-with-three-new-foundational-models/" source_name: "TechCrunch" image_url: "https://najnowsze-informacje.pl/api/media/file/tech-unsplash-1775152878991.jpeg" image_alt: "a blue and a white mannequin face to face" image_credit: "© Steve Johnson / Unsplash" image_credit_url: "https://unsplash.com/@steve_j" --- # Microsoft udostępnia trzy multimodalne modele AI: transkrypcję, głos i obraz/wideo > Microsoft AI wypuścił trzy modele podstawowe do transkrypcji, syntezy głosu i generowania obrazów/wideo, dostępne w Foundry i MAI Playground. ## Kluczowe informacje - Trzy modele: transkrypcja, synteza głosu i generowanie obrazów/wideo - MAI-Transcribe-1 obsługuje 25 języków i ma wydajność 2,5× szybszą niż Azure Fast - MAI-Voice-1 generuje 60 s audio w 1 s i pozwala tworzyć niestandardowe głosy - Modele są dostępne w Microsoft Foundry; Microsoft akcentuje niższe ceny niż konkurencja Microsoft AI ogłosił wydanie trzech nowych modeli podstawowych, które obsługują transkrypcję mowy, generowanie dźwięku oraz obrazów i wideo. To krok firmy w rozbudowie własnego stosu multimodalnych modeli AI, równolegle do współpracy z OpenAI. ## 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. ## Wyjaśnienie pojęć ### [lokalne AI](https://najnowsze-informacje.pl/definicje/lokalne-ai) Sztuczna inteligencja uruchamiana bezpośrednio na komputerze lub innym urządzeniu, bez konieczności przesyłania danych do zewnętrznej chmury. ### [modele podstawowe](https://najnowsze-informacje.pl/definicje/modele-podstawowe) Modele sztucznej inteligencji trenowane do wykonywania wielu rodzajów zadań, które można później dostosowywać do konkretnych zastosowań. ### [wydanie utrzymaniowe](https://najnowsze-informacje.pl/definicje/wydanie-utrzymaniowe) Wydanie utrzymaniowe to aktualizacja skupiona przede wszystkim na poprawianiu błędów, stabilności i niezawodności istniejących funkcji, a nie na wprowadzaniu dużych nowości. ### [transkrypcja](https://najnowsze-informacje.pl/definicje/transkrypcja) Zapis mowy lub nagrania w postaci tekstu, zwykle z zachowaniem kolejności wypowiedzi i możliwie wiernym odtworzeniem treści. ### [model sztucznej inteligencji](https://najnowsze-informacje.pl/definicje/model-sztucznej-inteligencji) Model sztucznej inteligencji to system, który przetwarza dane i generuje wyniki na podstawie wzorców poznanych podczas trenowania. ### [dostępność](https://najnowsze-informacje.pl/definicje/dostepnosc) W projektowaniu aplikacji i gier dostępność oznacza dostosowanie produktu do potrzeb osób o różnych możliwościach wzrokowych, słuchowych, ruchowych lub poznawczych. ### [token publikowania](https://najnowsze-informacje.pl/definicje/token-publikowania) Sekretny ciąg znaków używany do uwierzytelniania osoby lub procesu, który przesyła pliki i publikuje pakiety w serwisie. ### [konkurencyjność](https://najnowsze-informacje.pl/definicje/konkurencyjnosc) Zdolność przedsiębiorstwa, sektora lub państwa do skutecznego konkurowania z innymi podmiotami, między innymi pod względem kosztów, jakości, innowacyjności i szybkości działania. ### [synteza głosu](https://najnowsze-informacje.pl/definicje/synteza-glosu) Technologia tworzenia mowy na podstawie danych cyfrowych, w tym tekstu lub nagrań, pozwalająca uzyskać głos przypominający głos konkretnej osoby. ### [wydajność](https://najnowsze-informacje.pl/definicje/wydajnosc) Wydajność opisuje, jak sprawnie system wykonuje zadania przy określonym czasie, zużyciu zasobów i jakości działania. ### [multimodalność](https://najnowsze-informacje.pl/definicje/multimodalnosc) Zdolność systemu do przetwarzania lub łączenia różnych typów danych, na przykład tekstu, dźwięku i obrazu. Pozwala obsługiwać interakcje wykorzystujące więcej niż jeden rodzaj wejścia. ### [wyjście obrazowe](https://najnowsze-informacje.pl/definicje/wyjscie-obrazowe) Obraz lub inny materiał wizualny wygenerowany przez model na podstawie danych wejściowych lub polecenia użytkownika. ### [renegocjacja umowy](https://najnowsze-informacje.pl/definicje/renegocjacja-umowy) Ponowne prowadzenie rozmów przez strony umowy w celu zmiany uzgodnionych wcześniej warunków. ### [superinteligencja](https://najnowsze-informacje.pl/definicje/superinteligencja) Hipotetyczna forma sztucznej inteligencji, której zdolności poznawcze znacznie przewyższają ludzkie możliwości w wielu dziedzinach. ## Źródło pierwotne [TechCrunch](https://techcrunch.com/2026/04/02/microsoft-takes-on-ai-rivals-with-three-new-foundational-models/) --- ## Informacje do cytowania - **Autor:** Redakcja - **Data publikacji:** 2026-04-22T00:12:06.053Z - **Ostatnia aktualizacja:** 2026-07-31T22:17:48.176Z - **Kategoria:** Technologie - **Adres kanoniczny:** [https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo](https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo) - **Wersja Markdown:** [https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo/index.md](https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo/index.md) **Sugerowane cytowanie:** > Najnowsze Informacje, „Microsoft udostępnia trzy multimodalne modele AI: transkrypcję, głos i obraz/wideo”, 2026-04-22, https://najnowsze-informacje.pl/technologie/microsoft-udostepnia-trzy-multimodalne-modele-ai-transkrypcje-glos-i-obrazwideo