微软发布三款自研AI模型华尔街日报

昨日微软一口气发布三款自研AI模型：MAI-Transcribe-1、MAI-Voice-1和MAI-Image-2，分别覆盖语音转写、语音生成与图像生成三大高频应用场景。

有外媒评论，此举标志着微软正在自建AI技术体系，以降低对OpenAI的依赖。

官方博客显示，MAI-Transcribe-1批量转录速度是现有Microsoft Azure Fast产品的2.5倍，在FLEURS基准测试中平均词错误率最低；MAI-Voice-1则可在仅需1秒即可生成60秒的音频；MAI-Image-2的图像生成速度至少提升了2倍。

在我们的实测中，三款模型表现各异：MAI-Transcribe-1在一倍速下转写准确，但二倍速播放《无间道》天台对峙片段时，将“我也读过警校，你们这些卧底真有意思”误识为“我也读过剑桥，你们学会计真有意思”；面对《寒战》中节奏更快、情绪更激烈的争吵片段，甚至出现完全无响应的“宕机”现象。

MAI-Voice-1则能生成风格迥异的语音：英式版本低沉有韵律，呈现莎士比亚式舞台感；美式版本轻快明亮，细节甚至包括人说话时的口水声，逼真感强。MAI-Image-2在官方示例中自然景观渲染表现在线，但在实测中面对复杂指令时仍有局限。

语音转录实测：中文结果无标点，把二倍速无间道对峙转成“剑桥会计”

MAI-Transcribe-1是语音转文本模型，微软称其在FLEURS基准测试中，针对微软产品使用率最高的25种语言，实现了最低的平均词错误率。

此外，微软还称该模型在这些语言中的表现优于OpenAI的 Whisper-large-v3，并在其余大多数基准测试语言中胜过谷歌的Gemini 3.1 Flash。微软表示，其批量转录速度较现有的Azure产品有了显著提升。通过Foundry平台进行转录的起价为每小时0.36美元。

实测中，我们选取了电影《无间道》中刘德华与梁朝伟天台对峙的经典桥段，分别以一倍速与二倍速输入MAI-Transcribe-1。

▲电影《无间道》天台对峙名场面

一倍速播放测试环节，这款工具的表现算得上中规中矩：整段天台对白的文字转录零误差，但美中不足的是，输出文本完全没有标点断句，读起来更像一长串毫无停顿的文字流，少了原片里的对话节奏感。

▲MAI-Transcribe-1正常速度语音转录结果

换句话说，它已经具备“听得准”的能力，但至少对于中文普通话来说，距离“直接可用”的字幕级体验，仍需要依赖后期人工整理来补足。

紧接着，当我们把播放速度调到二倍速，戏剧性的一幕出现了。

▲MAI-Transcribe-1二倍速语音转录结果

原句里的“我也读过警校，你们这些卧底真有意思”，居然被“魔改”成了“我也读过剑桥，你们学会计真有意思”。

“警校”变“剑桥”，“卧底”成“会计”，语义发生整体偏移，甚至重构了场景语境。

最后，我们进一步加码测试，播放了电影《寒战》中节奏更快、情绪更激烈的经典争执片段。结果是，MAI-Transcribe-1几乎“当场宕机”，未能给出有效转录输出，稳定性出现明显下降。

▲MAI-Transcribe-1寒战吵架名场面转录结果

一轮测试下来不难看出，MAI-Transcribe-1在常规语速下的转录准确性基本在线，但面对倍速播放、激烈争吵这类复杂语音场景，短板就暴露无遗了。尤其是在发音相近词汇的精准区分、语速加快后的语义连贯性判断，以及强情绪语音的识别适配等方面，都还有不小的优化空间。

语音生成实测：能模拟出说话时的口水声

根据微软官方博客信息，MAI-Voice-1是一款高效语音生成模型，可在单块GPU上于1秒内生成1分钟音频。该模型能够在长篇内容中保持说话人的身份。微软通过Foundry平台以每百万字符22美元的价格出售该技术。

鉴于目前只支持英语，实测环节中，我们选取了莎士比亚的经典诗歌Sonnet 18（十四行诗第18首）作为测试文本，输入至MAI-Voice-1，并分别生成“莎士比亚风格的英式口音版本”与“喜悦语气的美式口音版本”，以观察其在情绪建模与语音细节控制上的差异。

从结果来看，两种风格呈现出较为明显的分化。莎士比亚式的英音版本整体语速更缓，音频时长明显变长，音色趋于低沉，在句间与词间插入了更多停顿与换气声，形成类似舞台朗诵的节奏感。MAI-Voice-1对停顿、重音的调度，使得语音具备一定的情绪张力，接近人类在朗诵时的自然状态。

相比之下，喜悦语气的美音版本则更偏向轻快与流动，语速提升，语调上扬，整体听感更为明亮。在细节层面，可以感受到类似“口水声”等生理性噪音，这类细节一方面说明模型在尝试模拟更真实的发声环境，包括口腔湿润度、气流摩擦等微观特征。

图片生成：能体现空间纵深感

MAI-Image-2现已通过Foundry平台与其他两款模型一同面向大众市场。在Arena.ai的文本转图像排行榜上，它位列第三，仅次于谷歌的Nano Banana 2和OpenAI的GPT-Image 1.5。