Microsoft випускає три моделі MAI
2 квітня 2026 року Microsoft AI випустила одразу три власні моделі в Microsoft Foundry: MAI-Transcribe-1 (розпізнавання мовлення), MAI-Voice-1 (синтез мовлення) і MAI-Image-2 (генерація зображень), замінивши в обох кінцях свого голосового стека сторонні моделі власними.
Чому це важливо
Компанія, чиї продукти досі покладалися на Whisper та інші сторонні моделі мовлення, уперше на цей день випустила власні моделі і для розпізнавання, і для синтезу мовлення одночасно, а також нове покоління власного генератора зображень. Оцінка редакційна.
MAI-Transcribe-1: за бенчмарком FLEURS середня частота помилок слів (WER) 3,9 % на 25 найпоширеніших мовах — нижче за GPT-Transcribe (4,2 %), Scribe v2 (4,3 %), Gemini 3.1 Flash (4,9 %) і Whisper-large-v3 (7,6 %); за заявою компанії, пакетна швидкість розпізнавання в 2,5 раза вища за наявну пропозицію Azure Fast, а серед 25 найпоширеніших мов модель посідає перше місце за FLEURS у 11. MAI-Voice-1: генерує 60 секунд аудіо за одну секунду; того самого дня додано можливість створювати власний голос із кількох секунд запису просто в Microsoft Foundry. MAI-Image-2: щонайменше вдвічі швидша генерація зображень на Foundry й у Copilot за подібної якості порівняно з попереднім поколінням, за даними реального виробничого трафіку; компанія WPP названа одним із перших великих клієнтів. Усі три моделі доступні одразу в Microsoft Foundry та MAI Playground за цінами від 0,36 дол./год (MAI-Transcribe-1), 22 дол. за мільйон символів (MAI-Voice-1) і 5/33 дол. за мільйон токенів тексту/зображення (MAI-Image-2). Чого запис не стверджує. Порівняльні числа WER та швидкості — заяви компанії про власні тести, без незалежного відтворення. Сторінка оголошення після квітня зазнала редакційних правок (позначка «Updated as of June 9, 2026»); за архівною копією від 3 квітня 2026 року склад моделей і наведені тут числа в оголошенні на той час уже були — червнева правка їх не додавала й не змінювала.