会懂网络 AI 资讯，获悉，今日，微软 MAI（Microsoft AI）团队在近两日密集发布了三款基础模型，分别聚焦语音转录、音频生成和图像生成三个方向，正式在这三个领域全面出击，和其他的 AI 巨头展开竞争。
首先是语音转录模型，这个模型叫 MAI-Transcribe-1，它支持 25 种语言，在 FLEURS 基准测试里，拿到了最低的词错误率，也就是说，它的转录准确率是目前最高的。而且，它的批处理速度比 Azure Fast 快了 2.5 倍，价格却只要 0.36 美元每小时音频，性价比非常高。过去，开发者要用高精度的语音转录服务，都要花不少钱，现在微软的这个模型，把价格打下来了，让更多的中小企业都能用得起。
然后是音频生成模型 MAI-Voice-1，这个模型能生成非常自然流畅的语音，也就是我们常说的 TTS 合成，它的语音非常逼真，几乎听不出来是 AI 生成的，而且支持多种语言和方言，能满足不同用户的需求。微软还开源了一个叫 VibeVoice 的语音 AI 项目，把前沿的语音处理能力开放给了社区，让开发者可以自己集成这个能力，开发自己的应用。
最后是图像生成模型 MAI-Image-2，这个模型是对标 Stable Diffusion 和 DALL・E 的竞品，它的图像生成质量非常高，能根据文本的描述，生成高质量的图片，而且支持图像的编辑，比如修改图片里的内容，调整颜色之类的，功能非常全面。
微软方面表示，他们计划在 2027 年之前，完成前沿大模型的全自研，也就是说，以后微软的 AI 能力，都不用依赖第三方的模型了，自己就能做。这三款模型的发布，就是他们这个计划的第一步，接下来，他们还会发布更多的自研模型，覆盖更多的场景。
很多业内分析师表示，微软这一次的动作，意味着他们正在加速 AI 的全栈自研，过去，微软很多的 AI 能力都是来自 OpenAI，但现在，他们也在做自己的模型，这可能会改变整个 AI 行业的格局，未来，微软可能会成为 AI 领域的一个新的巨头。
来源：TechCrunch AI
暂无评论内容