Microsoft анонсировала семейство нейросетей для работы с речью и изображениями

Корпорация Microsoft презентовала трио инновационных ИИ-моделей собственного производства: MAI-Transcribe-1, MAI-Voice-1 и MAI-Image-2. Эти инструменты, созданные внутренними командами разработчиков, специализируются на распознавании речи, синтезе голоса и генерации визуального контента. Новинки уже доступны для использования в рамках платформ Microsoft Foundry и MAI Playground.

MAI-Transcribe-1 — это высокотехнологичная система перевода аудио в текст, демонстрирующая рекордно низкий показатель ошибок (Word Error Rate) в бенчмарке FLEURS для 25 языков. По многим параметрам она опережает такие популярные решения, как OpenAI Whisper-large-v3 и Google Gemini 3.1 Flash. Модель совместима с форматами MP3, WAV и FLAC, обеспечивая при этом ускорение обработки данных в 2,5 раза относительно ранних алгоритмов Microsoft.

Для преобразования текста в живую речь представлена модель MAI-Voice-1, способная синтезировать 60 секунд аудио всего за одну секунду работы. Система поддерживает функцию клонирования голоса на основе короткого звукового фрагмента. Стоимость эксплуатации сервиса составляет $22 за каждый миллион обработанных знаков.

Обновленный генератор изображений MAI-Image-2 теперь демонстрирует двукратный прирост производительности по сравнению с прошлой итерацией. Технология уже интегрирована в функционал Bing и PowerPoint. Тарифная политика предусматривает плату в $5 за миллион текстовых токенов и $33 за миллион графических токенов.

Изображение: Nano Banana

Разработка собственных решений стала возможной после актуализации условий контракта с OpenAI, что предоставило Microsoft право на независимые изыскания в области ИИ. Тем не менее, долгосрочное сотрудничество между гигантами индустрии официально продлено до 2032 года.

Стоит отметить эффективность рабочего процесса: над созданием каждой из нейросетей трудились компактные группы специалистов, численность которых не превышала десяти человек.

Microsoft позиционирует свои продукты как прагматичные и доступные инструменты для бизнес-сегмента. На текущий момент MAI-Transcribe-1 проходит этап тестирования в экосистемах Microsoft Teams и Copilot, а MAI-Image-2 нашла применение в креативных кампаниях крупнейшего рекламного холдинга WPP.

Вектор дальнейшего развития компании направлен на создание универсальных языковых архитектур, способных составить прямую конкуренцию ChatGPT. Microsoft стремится к технологическому суверенитету в сфере ИИ, инвестируя в собственные серверные кластеры и мощную инфраструктуру для поддержки систем сверхинтеллекта.

Источник: iXBT