微软于 7 月 23 日宣布推出两款自研AI模型MAI-Image-2.5-Pro和MAI-Voice-2-Flash，均已进入公开预览阶段。两款模型分别面向高质量图像生成与高并发语音交互场景，微软强调其训练数据经过清理和可追踪，不依赖第三方模型蒸馏，从底层设计就直接服务于微软产品用户。
一、图像模型精度最高，GPU成本最高降84%
MAI-Image-2.5-Pro是微软目前精度最高的图像模型，面向主视觉图片生成、细节编辑及图像内文字渲染等高要求场景，支持自然语言编辑指令。该模型已在Bing Image Creator中成为默认图像生成模型，在PowerPoint中用于图像到图像编辑功能，与GPT-Image- 2 相比可降低最高84%的GPU成本。在OneDrive中部署后，相关场景保存成功率提升26%，P95 延迟降低约25%，中等负载生产环境效率提升2. 5 倍。
定价方面，文本输入每百万Token收费 5 美元，图像输出每百万Token收费 106 美元。
二、语音模型速度提升 2 倍，已服务T-Mobile等客户
MAI-Voice-2-Flash针对高频语音应用优化，相比上一代速度提升约 2 倍，成本降低32%，适用于客服中心和语音助手等快速响应场景。该模型已接入Dynamics 365 Contact Center，为T-Mobile、EasyJet等客户提供服务，GPU成本最高降低89%。微软还将其集成至Azure Voice Live服务，支持开发者构建语音到语音交互智能体。
此外，同系列的MAI-Transcribe-1. 5 已应用于医疗语音解决方案Dragon Copilot，被 17 万名医疗服务提供者使用，上季度处理 2800 万次患者问诊记录，支持 58 种语言，多数语言转录错误率相对下降50%。微软透露下一代GB200 计算集群已投入运行，MAI系列模型将持续扩展。
