Microsoft wzmacnia kompetencje w obszarze sztucznej inteligencji, prezentując trzy nowe modele multimodalne opracowane przez zespół Microsoft AI kierowany przez Mustafę Suleymana. MAI-Transcribe-1, MAI-Voice-1 i MAI-Image-2 odpowiadają na kluczowe potrzeby biznesowe – od transkrypcji mowy, przez generowanie głosu, po tworzenie obrazów – i są już dostępne w środowisku Microsoft Foundry oraz częściowo w MAI Playground. Najbardziej zaawansowanym z zaprezentowanych rozwiązań jest MAI-Transcribe-1, model zamiany mowy na tekst, który według danych Microsoftu osiąga współczynnik błędów na poziomie 3,8% w benchmarku FLEURS, obejmującym 25 języków. Firma deklaruje, że przewyższa on konkurencyjne modele m.in. OpenAI i Google w większości testowanych przypadków, a jednocześnie działa nawet 2,5 razy szybciej niż dotychczasowe rozwiązania Azure. Model już teraz wykorzystywany jest w usługach takich jak Microsoft Teams czy Copilot, gdzie odpowiada za transkrypcję rozmów. Drugim filarem jest MAI-Voice-1, model generowania mowy, który pozwala tworzyć naturalnie brzmiący dźwięk w czasie rzeczywistym – nawet 60 sekund nagrania w ciągu jednej sekundy. System umożliwia również tworzenie spersonalizowanych głosów na podstawie krótkich próbek audio, co stawia go w bezpośredniej konkurencji z wyspecjalizowanymi dostawcami rozwiązań voice AI. Microsoft podkreśla przy tym wysoką efektywność obliczeniową – model może działać nawet na pojedynczym GPU. Trzeci komponent to MAI-Image-2, model generowania obrazów, który rozwija możliwości wcześniejszych rozwiązań firmy i – według wewnętrznych danych – plasuje się w czołówce rankingów jakości, jednocześnie oferując wyraźnie krótszy czas generowania. Model jest już integrowany z produktami Microsoftu, takimi jak Bing czy PowerPoint, oraz wykorzystywany przez partnerów biznesowych. Efektywność zamiast skali: jak Microsoft buduje przewagę kosztową w AI Wspólnym mianownikiem nowych modeli jest nie tylko ich multimodalność, ale także nacisk na efektywność kosztową. Microsoft wyraźnie pozycjonuje je jako tańszą alternatywę dla rozwiązań konkurencji - zarówno w zakresie transkrypcji, generowania głosu, jak i obrazów. To element szerszej strategii, której celem jest obniżenie kosztów operacyjnych usług AI i zwiększenie ich dostępności dla klientów biznesowych. Premiera modeli wpisuje się w szerszą zmianę strategiczną. Po renegocjacji umowy z OpenAI Microsoft uzyskał większą swobodę w rozwijaniu własnych technologii AI, co otworzyło drogę do budowy niezależnych modeli. Jak podkreśla Mustafa Suleyman, celem jest osiągnięcie „samowystarczalności” w obszarze sztucznej inteligencji przy jednoczesnym utrzymaniu partnerstwa z OpenAI. Istotnym elementem tej strategii jest również sposób organizacji prac. Modele zostały opracowane przez niewielkie zespoły inżynierskie - liczące często mniej niż 10 osób - co ma przekładać się na większą efektywność i niższe koszty rozwoju. Microsoft wskazuje, że to podejście może stanowić alternatywę dla dominującego w branży modelu opierającego się na dużych, kosztownych zespołach badawczych.
