一句话看懂：微软于7月23日发布两款自研AI模型MAI-Image-2.5-Pro和MAI-Voice-2-Flash，主打不依赖第三方模型蒸馏，已集成至Bing、PowerPoint和Dynamics 365等产品中。前者降低高达84%的GPU成本，后者速度提升约2倍，直接服务企业和开发者。
事件核心：发生了什么
微软宣布旗下MAI系列新增两款模型：MAI-Image-2.5-Pro定位高精度图像生成，支持自然语言编辑指令，已作为Bing Image Creator的默认模型，并为PowerPoint提供图生图编辑功能。其定价为文本输入每百万token 5美元，图像输出每百万token 106美元。相比GPT-Image-2，GPU成本最多降低84%；在OneDrive部署后，相关场景成功率提升26%，P95延迟下降约25%，中等负载生产效率提升2.5倍。
另一款MAI-Voice-2-Flash针对高并发语音交互优化，速度较上一代提升约2倍，成本降低32%，已接入Dynamics 365 Contact Center，服务T-Mobile、易捷航空等客户，GPU成本最大可降低89%。此外，同系列的MAI-Transcribe-1.5已应用于医疗语音方案Dragon Copilot，服务17万医护人员，上季度处理2800万条患者问诊记录，支持58种语言，转录错误率在多数语言上降低约50%。
为什么重要
微软明确强调MAI系列训练数据经过清洗且可追溯，不依赖第三方模型蒸馏，这标志着微软在底层AI能力上正走向自主可控。与许多厂商选择蒸馏OpenAI或Google模型不同，微软从零开始自研，直接服务自家产品矩阵，有助于形成更紧密的产品-模型闭环，同时在成本控制（GPU开支降低80%以上）和延迟优化上取得量化成果。这也间接说明，在图像和语音生成领域，自研模型在商业落地中的实用性和经济性正快速提升。
对用户/开发者/创作者的影响
对Bing和PowerPoint用户而言，图片生成与编辑将更高效、成本更低；对开发者，MAI-Voice-2-Flash的Azure Voice Live服务支持构建实时语音交互代理，且可显著降低高频调用成本；对医疗等行业客户，MAI-Transcribe-1.5的低错误率和多语言支持意味着更可靠的语音转录体验。目前公开信息显示，微软下一代GB200计算集群已投入使用，MAI系列将持续扩展，开发者和企业可在Azure平台直接调用这些模型。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 微软是否会开放MAI系列模型的外部API价格，与现有图像/语音模型形成竞争；2. 在微软产品矩阵（如Teams、Copilot）中，MAI模型是否会逐步替代第三方模型；3. 其他云厂商（如AWS、Google Cloud）是否会跟进自研独立模型路线，还是继续依赖蒸馏策略。
来源：AIbase
