Microsoft rzuca wyzwanie OpenAI. Nadchodzi MAI Realtime, autorski model głosowy nowej generacji

W ekosystemie usług Microsoftu zarysowuje się fundamentalna zmiana. Odnalezione w środowisku testowym MAI Playground ślady nowego modelu, roboczo nazwanego MAI Realtime, sugerują, że gigant z Redmond przestaje polegać na technologii OpenAI. Nowe rozwiązanie to natywny system typu full-duplex, zdolny do jednoczesnego słuchania i mówienia, co stawia go w bezpośredniej konkurencji z GPT-4o.

Dlaczego to ważne teraz

Microsoft przechodzi do ofensywy, budując własną infrastrukturę AI w ramach jednostki Microsoft AI kierowanej przez Mustafę Suleymana. Udostępnienie modeli z rodziny MAI w Azure Foundry to sygnał, że firma chce oferować narzędzia szybsze i tańsze od konkurencji. Przykładowo model MAI-Transcribe-1 oferuje aż o 50% niższe koszty GPU w porównaniu do obecnych liderów rynkowych, co drastycznie zmienia ekonomię wdrażania asystentów głosowych na dużą skalę.

Koniec ery czekania na swoją kolej

Kluczową innowacją MAI Realtime jest odejście od sztywnej, sekwencyjnej komunikacji. Dotychczasowe wersje Copilota opierały się na wymianie komunikatów: system czekał, aż użytkownik przestanie mówić. Nowa architektura pozwala na płynne przerywanie i naturalną dynamikę rozmowy. Microsoft testuje obecnie dwa warianty obsługi ciszy: zaawansowany tryb Switchboard oraz rozwiązanie wykorzystujące semantykę Whisper do precyzyjnego kończenia wypowiedzi. W praktyce oznacza to niemal zerowe opóźnienia i reakcje w czasie rzeczywistym.

Wydajność, która zmienia zasady

Liczby stojące za nowymi modelami robią wrażenie. Zgodnie z dokumentacją Microsoft AI, model MAI-Voice-1 potrafi wygenerować 60 sekund ekspresyjnego dźwięku w mniej niż sekundę na pojedynczym procesorze GPU. To tempo pozwala na budowę agentów, którzy nie tylko brzmią naturalnie, ale reagują bez irytujących pauz typowych dla starszych systemów syntezy mowy.

Poliglotyczna Victoria i Grant

Wczesne testy ujawniają dwa profile głosowe – Victorię i Granta. Brzmią one znacznie bardziej ludzko, unikając robotycznej maniery znanej z wcześniejszych iteracji Azure Speech. Imponuje również warstwa lingwistyczna. Podczas gdy MAI-Voice-2 obsługuje ponad 10 języków w trybach długofalowych, model MAI-Transcribe-1 radzi sobie z aż 25 językami, w tym japońskim i arabskim, płynnie przełączając się między nimi bez utraty kontekstu.

Strategiczna suwerenność

Choć firma zaprezentowała już szereg własnych modeli podczas konferencji Build 2026, w segmencie speech-to-speech wciąż polegała na rozwiązaniach zewnętrznych. MAI Realtime domyka tę lukę. Inżynierowie postawili na specjalizację – model nie potrafi śpiewać ani generować efektów dźwiękowych, co odróżnia go od multimodalnych zabawek i pozycjonuje go jako konkretne narzędzie dla biznesu. System wszedł już w fazę public preview, co zwiastuje jego rychłe pojawienie się w aplikacjach Teams oraz Bing.