Két új saját AI-modellt mutatott be a Microsoft

Képalkotásra és hangfeldolgozásra érkeztek

A Microsoft 2026. július 23-án jelentette be a két új modellváltozatot. A MAI-Image-2.5-Pro nyilvános előzetesként érhető el, és olyan feladatokra szánják, ahol elsődleges a képminőség. A modell használható kiemelt képek készítésére, részletes szerkesztésre és pontos, képen belüli szöveggenerálásra.

A vállalat szerint a Pro a Microsoft eddigi legmagasabb képhűségű képmodellje. Ára 1 millió szöveges bemeneti tokenenként 5 dollár, 1 millió képi bemeneti tokenenként 8 dollár, 1 millió képi kimeneti tokenenként pedig 106 dollár.

A MAI-Voice-2-Flash szintén nyilvános előzetesben jelent meg. A modellt nagy mennyiségű hangalapú feladatra és olyan felhasználási esetekre tervezték, ahol fontos a gyors válasz. A Microsoft szerint megőrzi a MAI-Voice-2 természetes beszédhangzását és akusztikai minőségét, miközben kétszer gyorsabb annál, és 32 százalékkal olcsóbb. Az ára 1 millió karakterenként 15 dollár.

Microsoft-termékekben is használják az MAI-modelleket

A Microsoft közlése szerint az új modellek a vállalat meglévő éles modelljei mellett kapnak helyet. A fejlesztők így az adott feladathoz illő minőség, sebesség és költség kombinációját választhatják.

A Bing Image Creator alapértelmezett működését teljes egészében a házon belül fejlesztett MAI-Image-2.5 hajtja. A Microsoft ezt a modell pontos képszerkesztési képességeivel és nagyobb alkotói kontrolljával indokolja.

A MAI-Image-2.5 a PowerPointban is éles használatban van képből képet készítő funkciókhoz. A vállalat szerint ez a GPT-Image-2-höz képest akár 84 százalékkal csökkenti a GPU-költségeket. A OneDrive bizonyos éles képszerkesztési feladataiban szintén ez a modell az alapértelmezett. A bevezetése óta a mentési arány 26 százalékkal nőtt, a P95 késleltetés körülbelül 25 százalékkal csökkent, közepes terhelésű éles munkafolyamatokban pedig 2,5-szeres hatékonyságot mértek.

A MAI-Voice-2-Flash a Dynamics 365 Contact Centerben is működik. A Microsoft szerint a modell akár 89 százalékkal csökkenti a GPU-költségeket. A szolgáltatást többek között a T-Mobile és az EasyJet használja. A modell az Azure Voice Live-ba is bekerült, ahol a fejlesztők beszéd és beszéd közötti interakciókat támogató hangalapú ügynököket építhetnek.

Szakmai területekre is saját modelleket fejlesztenek

A Microsoft az általános modellek mellett szakterületekre szabott rendszereket is fejleszt. A vállalat közvetlenül dolgozik együtt olyan területi szakértőkkel, akik visszajelzéseikkel segítik a modellek finomítását.

Az MAI a Dragon Copilottal is együttműködik. A megoldást 170 ezer egészségügyi szolgáltató használja, és a legutóbbi negyedévben 28 millió betegtalálkozót dolgozott fel. A MAI-Transcribe-1.5 a Dragon Copilot többnyelvű munkafolyamatait támogatja, a korábbi modellt pedig a Microsoft saját rendszerére cserélték 58 nyelven.

A Microsoft belső értékelései szerint a modell a legtöbb nyelven 50 százalékos relatív csökkenést ért el a leiratozási és a nyelvazonosítási hibaarányban többnyelvű felvételeken. A vállalat korai kutatásai javulást mutatnak az orvosi jegyzetek későbbi pontosságában is.

A fejlesztők a Foundryban próbálhatják ki a modelleket

A Microsoft szerint a házon belüli modellfejlesztés célja, hogy a rendszereket közvetlenül a termékek felhasználóihoz és a konkrét munkafolyamatokhoz igazítsák. A MAI-Image-2.5-Pro és a MAI-Voice-2-Flash a Foundryban érhető el, a modellekről a Microsoft Learn oldalán lehet további információkat találni, kipróbálásukra pedig a MAI Playground szolgál.

A közlemény alapján a két új modell a Microsoft termékeiben futó saját modellek körének bővítését jelenti. A vállalat további fejlesztéseket ígér, és közölte, hogy következő generációs GB200 klasztere már működik.