近日，在 AI 領域動作相當積極的微軟一口氣發布了三款語音轉文字、語音生成、圖像生成的全新自研模型：專精語音轉文字的 MAI-Transcribe-1、自然語音生成的 MAI-Voice-1，以及圖像生成能力大幅躍進的 MAI-Image-2。並即日起同步開放給開發者透過 Microsoft Foundry 平台使用，收費相當具有競爭力。這也是微軟 AI 超智能團隊成立六個月以來，首次向外界展示的重量級成果：而這支團隊的負責人，正是曾任 Google AI 高層、2025 年加入微軟的穆斯塔法·蘇萊曼（Mustafa Suleyman）。
微軟一口氣發布三款MAI模型
MAI-Transcribe-1：25 語言稱霸業界，錯誤率僅 3.9%
MAI-Transcribe-1 是本次發布的最大亮點。這款語音轉文字模型在業界標準的 FLEURS 多語言語音基準測試中，於全球使用量前 25 大語言（包含日語）的平均單字錯誤率（Word Error Rate，WER）僅有 3.9%，是該基準測試中所有模型裡的最低紀錄。微軟同時發布了與競爭對手的詳細比較數據，MAI-Transcribe-1 在這 25 種語言上全面擊敗 OpenAI 的 Whisper-large-v3，在其中 22 種語言上勝過 Google 的 Gemini 3.1 Flash，更在 15 種語言上分別擊敗 ElevenLabs 的 Scribe v2 與 OpenAI 的 GPT-Transcribe。
除了精準度領先，MAI-Transcribe-1 的處理速度更是宣稱比 Azure 既有的 Fast 語音服務快了 2.5 倍。該模型支援 MP3、WAV、FLAC 等主流音訊格式，最高可接受 200MB 的檔案。說話者分離（Diarization）、上下文偏置、串流等功能目前列為「即將推出」。在商業應用上，MAI-Transcribe-1 的定價為每小時語音 0.36 美元（約新台幣 12 元），性價比極高。
MAI-Voice-1：一秒生成 60 秒自然語音
MAI-Voice-1 是微軟最新的文字轉語音（TTS）模型，專為生成自然且富有情感的語音而設計。根據官方說明，MAI-Voice-1 能夠在 1 秒鐘內生成長達 60 秒的高品質語音內容，兼具極高的 GPU 利用效率，在生成速度與成本之間取得了出色的平衡。
這款模型的一大賣點是能長時間維持說話者的音色與個人特徵不變。開發者僅需提供短短數秒的語音樣本，即可透過 Microsoft Foundry 建立專屬的自訂語音設定檔。MAI-Voice-1 目前已應用於 Copilot Audio Expressions 功能當中。收費標準為每 100 萬字元 22 美元（約新台幣 720 元）。
MAI-Image-2：圖像生成躋身 Arena.ai 前三強
MAI-Image-2 並非全新亮相：它在 2026 年 3 月 19 日就已經低調發布，如今正式納入 MAI 模型家族並全面開放商用。這款圖像生成模型已在業界著名的 Arena.ai 圖像生成排行榜上躋身前三大，上線以來持續為 Copilot 的圖像生成能力提供支撐。微軟表示，MAI-Image-2 可生成自然的光照效果、精準的肌腑色調與質感，圖表、版面編排乃至于圖片內的文字都能清晰呈現。與前代相比，MAI-Image-2 在 Foundry 與 Copilot 平台上以相同品質輸出時，生成速度提升了 至少 2 倍。全球最大廣告集團之一的 WPP 已率先成為企業合作夥伴，大規模採用 MAI-Image-2 投入商業創作。
MAI-Image-2 的定價為：文字輸入每 100 萬 token 5 美元（約新台幣 165 元），圖像生成每 100 萬 token 33 美元（約新台幣 1,080 元）。
蘇萊曼首度受訪：打破 OpenAI 獨家合約的六年束縛
這次三連發的意義遠不止於模型本身，國外媒體專訪揭示了微軟背後真正的原因：微軟與 OpenAI 之間那份始於 2019 年的合約，直到 2025 年 9 月才完成重大修訂。根據蘇萊曼的說法，舊版合約中明訂微軟在 2032 年之前不得獨立從事通用人工智慧（AGI）或超智能的研發，這讓微軟在 AI 前沿模型開發上長期受限於 OpenAI 的技術路徑。2025 年 10 月的新合約終於為微軟解開了這道枷鎖。
蘇萊曼表示：「去年 9 月，我們與 OpenAI 重新談判了合約，這讓我們能夠獨立追求自己的超智能研發。此後，我們集結了所需的算力、組建了團隊、採購了必要的資料。」他也強調，與 OpenAI 的合作關係維持不變，至少將持續到 2032 年。
蘇萊曼進一步透露了他對這次發布的自豪：「這次發布的模型，在語音轉文字領域是全世界最頂尖的：不僅如此，我們能以競爭對手一半的 GPU 運算資源來交付同等級的品質。」這番話的背景是：微軟股價剛創下 2008 年金融危機以來最差的單季表現，投資人對鉅額 AI 基礎建設投入能否轉化為實質營收的質疑聲浪高漲。這三款 MAI 模型，可以說是蘇萊曼與微軟高層對華爾街的第一份正式答卷。