Microsoft otwiera stack MAI dla deweloperów: Nowa ofensywa w segmencie audio i obrazu

Koniec z zamkniętymi testami – czas na implementację

Microsoft zdecydował się na istotny krok w swojej strategii AI, przenosząc ciężar z zamkniętych dem technologicznych na realne wsparcie dla biznesu. Modele należące do rodziny MAI, które do tej pory napędzały głównie flagową usługę Copilot, trafiły właśnie do platformy Foundry. Oznacza to, że zewnętrzni programiści i dostawcy rozwiązań korporacyjnych otrzymują bezpośredni dostęp do API, pozwalającego budować zaawansowane czatboty głosowe i generatory mediów oparte na infrastrukturze Microsoftu.

Transkrypcyjna wojna na liczby

Najciekawiej prezentuje się MAI-Transcribe-1. Microsoft nie unika bezpośrednich porównań, twierdząc, że ich nowy model detronizuje konkurencję w postaci Whisper-large-v3 od OpenAI czy Gemini 3.1 Flash. Opierając się na wynikach benchmarku FLEURS dla 25 najpopularniejszych języków, model ten ma oferować najwyższą na rynku precyzję w trudnych, rzeczywistych warunkach akustycznych.

Choć obecnie brakuje jeszcze funkcji diaryzacji (rozpoznawania mówców) czy pracy w czasie rzeczywistym, platforma Foundry wycenia tę usługę agresywnie – na poziomie 0,36 USD za godzinę nagrania. To wyraźny sygnał, że Microsoft chce zdominować rynek analizy rozmów, tworzenia notatek ze spotkań i narzędzi dostępności dla osób niedosłyszących.

Głos i obraz w służbie asystentów AI

Kolejnym filarem ogłoszenia jest MAI-Voice-1, zaprojektowany z myślą o niskich opóźnieniach. Model potrafi wygenerować minutę ekspresywnej mowy w zaledwie sekundę, co czyni go fundamentem inicjatywy Voice Live. Nowością jest możliwość tworzenia personalizowanych głosów na podstawie zaledwie kilkusekundowych próbek audio, co otwiera drogę do nowej generacji wirtualnych asystentów o wysokim stopniu naturalności.

Z kolei MAI-Image-2 to uderzenie w segment kreatywny. Zamiast skupiać się na hobbystycznym tworzeniu ilustracji, Microsoft stawia na fotorealizm, poprawną teksturę skóry i – co często jest piętą achillesową modeli dyfuzyjnych – precyzyjne renderowanie tekstu wewnątrz grafik. Z modelu korzysta już agencja WPP, a integracja z PowerPointem i Bingiem ma ułatwić profesjonalnym projektantom tworzenie brandowanych treści wizualnych.

Koszty i dostępność

Wdrożenie modeli wiąże się z jasnym cennikiem: synteza mowy kosztuje 22 USD za milion znaków, natomiast generowanie obrazów oparto na hybrydowym modelu płatności za tokeny wejściowe i wyjściowe. Choć MAI Playground wciąż pozostaje strefą dostępną wyłącznie dla użytkowników w USA, udostępnienie modeli w Foundry dla programistów na całym świecie jest sygnałem, że Microsoft nie zamierza dłużej ograniczać swojego stosu technologicznego wyłącznie do własnych aplikacji produktowych.