新智元報(bào)道

編輯：艾倫 KingHZ

微軟緊跟OpenAI的節(jié)奏，在同一天也親自下場(chǎng)發(fā)布了微軟自研的兩個(gè)大模型：語(yǔ)音模型MAI-Voice-1和通用模型MAI-1-preview。對(duì)于這位老大哥，親自下場(chǎng)做的第一個(gè)AI大模型，效果究竟怎么樣？

就在OpenAI發(fā)布最新的語(yǔ)音大模型之際，微軟掏出了自研語(yǔ)音大模型！

微軟AI掌門(mén)人、DeepMind聯(lián)合創(chuàng)始人Mustafa Suleyman正式宣布：

微軟AI正式推出MAI-Voice-1以及MAI-1-預(yù)覽版！而且還有更多內(nèi)容即將推出。

MAI-Voice-1語(yǔ)音模型效率極高：?jiǎn)蜧PU秒出1分鐘音頻！使用Copilot即可體驗(yàn)。

在Mustafa Suleyman看來(lái)，這是他用過(guò)表現(xiàn)力最豐富、最自然的語(yǔ)音生成模型。

而MAI-1預(yù)覽版模型是微軟AI首個(gè)端到端內(nèi)部訓(xùn)練的自研基礎(chǔ)模型。

這標(biāo)志著在多年依賴(lài)OpenAI模型之后，微軟AI部門(mén)正式與OpenAI及整個(gè)行業(yè)正面競(jìng)爭(zhēng)，也意味著微軟在AI競(jìng)賽中，開(kāi)始掌握更多主動(dòng)權(quán)。

在接受采訪時(shí)，Suleyman 表示：「微軟是世界上最大的公司之一。我們必須具備內(nèi)部能力，來(lái)打造世界最強(qiáng)的模型?！?/p>

MAI-Voice-1，究竟能力如何

在微軟官方給出的指標(biāo)中，最能引起我們注意的，是「單卡<1秒，生成1分鐘音頻」。

這使其成為當(dāng)前少見(jiàn)的極致低時(shí)延TTS/對(duì)話式語(yǔ)音生成系統(tǒng)之一。

除此之外，語(yǔ)音的自然和富有表現(xiàn)力也是重點(diǎn)，這覆蓋到了單人敘述與多說(shuō)話人對(duì)話兩種常見(jiàn)內(nèi)容形態(tài)。

新聞播報(bào)、播客對(duì)談、故事講述、冥想/引導(dǎo)等，你能想到的，統(tǒng)統(tǒng)沒(méi)問(wèn)題。

你可以選擇9種不同的語(yǔ)音：

也可以選擇多達(dá)31種不同的情緒和播報(bào)場(chǎng)景：

你還可以讓模型扮演一個(gè)激情四射的體育解說(shuō)員，點(diǎn)燃你的情緒：

具體到落地上，我們可以通過(guò)Copilot Labs，在Copilot Daily中以AI主播播報(bào)要聞、在Copilot Podcasts生成播客式討論，Copilot Labs 提供可玩Demo（可以自定義內(nèi)容、敘述風(fēng)格等）。

下面是兩段該模型生成的語(yǔ)音Demo，你可以聽(tīng)聽(tīng)看，滿分5分想給幾分？是否還有AI味呢？歡迎在評(píng)論區(qū)留下您的測(cè)評(píng)意見(jiàn)。

微軟與OpenAI難舍難分

長(zhǎng)期以來(lái)，微軟主要依靠OpenAI的人工智能模型，為核心產(chǎn)品提供AI功能。

OpenAI目前估值約5000億美元，微軟一家的投資就超過(guò)了130億美元，而OpenAI也依賴(lài)微軟的云基礎(chǔ)設(shè)施來(lái)運(yùn)行其模型。

但現(xiàn)在宣布：「未來(lái)幾周，我們將在Copilot的部分文本任務(wù)中逐步推出MAI-1-preview，以便從用戶反饋中學(xué)習(xí)和改進(jìn)。」

目前，微軟仍在Bing、Windows 11及其他產(chǎn)品中使用OpenAI的模型。

但雙方的關(guān)系日漸惡化。

去年，微軟在年度財(cái)報(bào)中正式將OpenAI列入競(jìng)爭(zhēng)對(duì)手名單，之前多年來(lái)只包含亞馬遜、蘋(píng)果、谷歌和 meta等科技巨頭。

近幾個(gè)月，OpenAI也轉(zhuǎn)向CoreWeave、谷歌和甲骨文等其他云服務(wù)商，以滿足激增的算力需求。

與OpenAI同期發(fā)布語(yǔ)音模型，意欲何為

就在昨天，OpenAI也發(fā)布了最新的語(yǔ)音生成大模型GPT-Realtime，整體嵌入在Realtime API中。

該模型在語(yǔ)音自然性、情感豐富度、低延遲響應(yīng)上顯著提升，能夠在一句話之內(nèi)實(shí)現(xiàn)語(yǔ)調(diào)、語(yǔ)言的無(wú)縫切換，還支持工具調(diào)用、指令跟隨能力。

為什么微軟選擇在此時(shí)發(fā)布新模型？

此次發(fā)布雖然只有語(yǔ)音模型和預(yù)覽版通用模型，但釋放出的信號(hào)不容忽視。

其一，語(yǔ)音將成為AI助手的重要戰(zhàn)場(chǎng)。

MAI?Voice?1的效率和表達(dá)力有望推動(dòng)語(yǔ)音助手晉級(jí)的「數(shù)字伙伴」。

而富有情感和個(gè)性的數(shù)字伙伴，是Grok等模型時(shí)下開(kāi)始發(fā)力的一個(gè)新突破點(diǎn)，潛力頗大。

其二，OpenAI不再是唯一選擇。

大模型發(fā)展進(jìn)入「百模大戰(zhàn)」階段，各巨頭紛紛推出自研產(chǎn)品。

微軟此舉既是對(duì)OpenAI合作的補(bǔ)充，也為自己與OpenAI的重大商業(yè)談判中增加了可觀的籌碼。

其三，MoE架構(gòu)成大模型新趨勢(shì)。

MAI?1?preview采用MoE架構(gòu)，訓(xùn)練規(guī)模適中但更關(guān)注指令遵循和響應(yīng)效率，能兼顧性能與成本。

隨著LLM細(xì)分應(yīng)用增多，多專(zhuān)家模型將成為重要方向。

其四，生態(tài)開(kāi)放值得期待。

微軟表示將在Copilot及第三方測(cè)試平臺(tái)開(kāi)放模型，鼓勵(lì)開(kāi)發(fā)者提供反饋。

在媒體采訪中，Mustafa Suleyman表示：

人工智能不僅是科技的未來(lái)，更是未來(lái)幾十年商業(yè)運(yùn)行和價(jià)值創(chuàng)造的核心。

因此，研發(fā)最強(qiáng)的模型，不僅是技術(shù)追求，更是微軟作為企業(yè)的戰(zhàn)略必然。

我們必須擁有自己的核心能力。

在14個(gè)月前，他和團(tuán)隊(duì)從Inflection加入微軟后，就一直全力推動(dòng)這件事。

如今，微軟終于發(fā)布了兩款自研模型。

Suleyman強(qiáng)調(diào)，微軟未來(lái)會(huì)繼續(xù)使用OpenAI的模型，也會(huì)用開(kāi)源模型，但關(guān)鍵在于「編排器」（orchestrator）。

這是一種模型調(diào)度系統(tǒng)，能夠根據(jù)任務(wù)自動(dòng)選擇合適的模型來(lái)完成特定請(qǐng)求，類(lèi)似「路由器」。

他認(rèn)為，這種編排能力將成為微軟的重要知識(shí)產(chǎn)權(quán)。

外界普遍猜測(cè)，微軟推出自研模型，是否意味著與OpenAI的關(guān)系在降溫？

對(duì)此，Suleyman回應(yīng)道：

我們的目標(biāo)是進(jìn)一步加深與OpenAI的合作，并保持長(zhǎng)期良好的伙伴關(guān)系。

雙方的合作已經(jīng)非常成功，未來(lái)我相信仍會(huì)繼續(xù)下去。

微軟如何自研大模型

這次微軟AI透露：「MAI-1-preview是MoE模型，使用約1.5萬(wàn)張NVIDIA H100 GPU進(jìn)行了預(yù)訓(xùn)練和后訓(xùn)練。」

在LMArena文本任務(wù)榜單上，MAI-1排名第13，落后于DeepSeek、谷歌、OpenAI和xAI等主要AI玩家的模型。

相比之下，xAI的Grok模型則動(dòng)用了超過(guò)10萬(wàn)張同類(lèi)芯片。

微軟AI只用相對(duì)小規(guī)模的集群，也能訓(xùn)練出非常強(qiáng)大的模型。

Suleyman認(rèn)為自研的新模型表現(xiàn)遠(yuǎn)超其硬件規(guī)模，完全可以和世界上最強(qiáng)的模型媲美，而且現(xiàn)在才剛剛開(kāi)始調(diào)優(yōu)。

一旦模型投入實(shí)際應(yīng)用并開(kāi)始收集反饋，隨著不斷迭代，性能還會(huì)顯著提升。

對(duì)微軟AI來(lái)說(shuō)，這僅僅是個(gè)開(kāi)始。

微軟AI算力充沛，已經(jīng)在使用全球最大的數(shù)據(jù)中心之一，并配備了Nvidia下一代GB-200芯片，研發(fā)下一版本模型。

而且，他們有一個(gè)龐大的五年規(guī)劃，并會(huì)持續(xù)投資算力。

規(guī)模很重要，但效率同樣關(guān)鍵。

這意味著要精挑細(xì)選高質(zhì)量的訓(xùn)練數(shù)據(jù)，確保每一次浮點(diǎn)運(yùn)算、每一次GPU迭代都發(fā)揮最大價(jià)值。

現(xiàn)在訓(xùn)練模型的核心能力，已經(jīng)越來(lái)越變成了一種「工藝」——選對(duì)數(shù)據(jù)，避免把算力浪費(fèi)在無(wú)效的token上。

Suleyman 表示，公司利用了一些源自開(kāi)源社區(qū)的技術(shù)，使得有限資源發(fā)揮了更大作用。

這是微軟首次完整端到端訓(xùn)練的大模型。在研發(fā)過(guò)程中，團(tuán)隊(duì)也遇到了不少挑戰(zhàn)。

Suleyman坦言：「構(gòu)建這樣規(guī)模的集群、訓(xùn)練如此龐大的數(shù)據(jù)，需要不斷的調(diào)試、迭代和耐心。這是每一家實(shí)驗(yàn)室都會(huì)面臨的難題。」

他對(duì)團(tuán)隊(duì)的表現(xiàn)非常滿意：「我們從中學(xué)到了很多，也積累了足夠的經(jīng)驗(yàn)去打造更多優(yōu)秀的模型?！?/p>

他把這比喻成「轉(zhuǎn)動(dòng)飛輪」：一旦模型研發(fā)進(jìn)入正循環(huán)，每一代都會(huì)推動(dòng)下一代更快成長(zhǎng)。

之前，Suleyman在Inflection，甚至DeepMind都有相關(guān)經(jīng)驗(yàn)，不過(guò)那時(shí)候算力規(guī)模較小，GPU還沒(méi)有動(dòng)輒十萬(wàn)張。

這次的首個(gè)模型訓(xùn)練成功，他認(rèn)為關(guān)鍵在于文化：

優(yōu)秀的文化吸引了優(yōu)秀的人，是優(yōu)秀的團(tuán)隊(duì)才能構(gòu)建出優(yōu)秀的模型。

而最終，這個(gè)團(tuán)隊(duì)的價(jià)值觀，也會(huì)自然地被注入到模型和產(chǎn)品中。

Suleyman還透露他們已經(jīng)在開(kāi)發(fā)下一個(gè)模型了：規(guī)模更大，訓(xùn)練架構(gòu)也做了一些新的調(diào)整。

現(xiàn)在一切都已經(jīng)啟動(dòng)了，接下來(lái)幾個(gè)月、幾年里都會(huì)有很多值得期待的東西。

參考資料：

https://copilot.microsoft.com/labs/audio-expression

https://microsoft.ai/news/two-new-in-house-models/

https://x.com/mustafasuleyman/status/1961111770422186452