Flash发布：未蒸馏第三方产品，已落地Bing及PowerPoint等场景

2026-07-24 3 暗号导航联盟

IT之家7月24日有消息传来, 微软于当地时间7月23日作出宣布。该宣布内容为推出两款全新的、由自身研发的AI模型, 这两款模型的名字分别是MAI-Image-2.5-Pro以及MAI-Voice-2-Flash。当下这两款模型均已步入了公开预览的阶段。这两款模型是属于微软AI团队自研模型系列范围之内的, 它们分别是针对高质量图像生成场景与高并发语音交互场景的。

微软宣称, 在过去的一年当中, 该公司着手开展基于内部训练流程的专用模型开发工作, 其致力于运用经过清理的、可追踪的以及企业级的数据来进行训练, 并不依靠第三方模型蒸馏这一方式, 而且从底层设计出发, 以此来服务微软产品的用户。

MAI - Image - 2.5 - Pro这一模型, 是微软现今精度处于最高水平状态时期的图像模型, 它主要是直面那些对于图像质量具有较高质量要求标准的应用场景范畴, 其中涵盖有像主视觉图片生成这种功能, 还有细节编辑这一功能, 以及图像内文字渲染等相关诸多功能。

微软表明此情况, 该模型具备这样一种情况便是在图像里文字生成精确性的层面实施了优化举措, 而且还支持自然语言编辑指令, 用户能够借助文字描述来对生成内容作出调整。

该模型公开预览时, 文本输入的收费标准: 以每增加 100 万个 Token 来算, 收费 5 美元, 依照现汇率来换算, 大约折合 33.9 元人民币；图像输入的收费准则: 鉴于每增添 100 万个 Token 的情况下, 收费 8 美元, 按照当下汇率推算, 大概折合 54.3 元人民币；图像输出的收取费用情况: 在每增加 100 万个 Token 的时候（IT 之家明确注名这一点）, 收费可达 106 美元, 按照当前汇率换算一下, 大约可是折合 718.8 元人民币。

则有另一款模型, 名为 MAI-Voice-2-Flash, 它针对高频语音应用做了优化。微软表明, 这款模型相较于 MAI-Voice-2, 速度提高了约 2 倍, 并且成本降低了 32%, 在维持自然语调和较高语音质量的情形下, 可为大规模语音服务给予更低延迟的支持。

Flash发布：未蒸馏第三方产品，已落地Bing及PowerPoint等场景_Flash发布：未蒸馏第三方产品，已落地Bing及PowerPoint等场景_

15美元每100万个字符是MAI - Voice - 2 - Flash公开预览此时的汇率约合上101.7元人民币的价格 , 微软宣称该模型用于客服中心、声助手以及等需要快速响应的各场景。

微软表示, 当下两款模型已渐渐开始应用在旗下许多不同的产品之中。当中, Bing Image已整个地采用了微软自己研发的图像模型, MAI - Image - 2.5变成了它的默认图像生成模型, 去给用户供应图像生成与编辑的能力。

在……里, MAI - Image - 2.5已经被用于从图像到图像的编辑功能方面。微软表态称, 和GPT - Image - 2比较起来, 这个模型能够减少最高达84%的GPU成本。

在某个范围里, MAI-Image-2.5已然变成了部分图像编辑功能的默认模型, 按照微软所给出的数据, 在进行相关部署之后,有关场景的保存成功几率呈上了26%的增幅量, P95延迟下降了差不多25%这样的幅度, 且在中等负担的生产环境里面, 效率实现了2.5倍的提升。

在语音这块儿、MAI-Voice-2-Flash接入了365嗯哼、被运用到企业客服智能体服务里头。微软讲了、这个模型能够降低最高达到89%的GPU成本、并且已经被应用在涵盖了T-以及等等客户的相关场景当中。

除此之外, 微软把MAI-Voice-2-Flash整合到Azure Voice Live服务之中, 那些从事开发工作的人员能够借助这个模型搭建起可以支持语音到语音交互的智能体。

微软另外宣称, 它自己研发的模型正跟专业领域的合作伙伴联合起来。其中, MAI--1.5已经被运用到医疗语音解决方案里, 这种服务当前有17万名医疗服务提供者在使用, 上个季度处理了2800万次患者问诊的记录。

微软宣称, MAI--1.5具备对58种语言的支持, 在针对内部的多语言录音展开的测试里, 对于大多数语言而言, 语音转录错误率以及语言识别错误率达成了50%的相对降低, 按照早期研究所表明的情况, 它在生成医疗记录方面的准确性也有了一定程度的提高。

微软宣称, MAI系列模型会持续拓展, 且经由平台供开发者运用。与此同时, 微软透露, 其AI团队的下一代GB200计算集群当下已投入运转, 还会继续推动后续模型的研发工作。