堆代码讯 哪怕手握 OpenAI 最大的投资和最深度的合作，微软也没停下自己的 AI 自研脚步。周四，微软旗下的微软 AI 实验室正式宣布推出三款自研基础 AI 模型，覆盖语音转录、语音生成、视频生成三大场景，这标志着微软正在加速搭建自有的多模态 AI 模型体系，在跟 OpenAI 保持合作的同时，也正式下场跟全球的 AI 实验室抢市场。

此次发布的三款模型，各有各的性能亮点：MAI-Transcribe-1 是语音转录模型，能把 25 种不同语言的语音转成文本，处理速度是微软原有 Azure Fast 服务的 2.5 倍，效率提升显著；MAI-Voice-1 则是音频生成模型，它的生成速度堪称惊人 —— 用户每秒就能生成 60 秒的音频，相当于一分钟的语音只需要一秒就能做完，还支持用户创建自定义的语音；而名字带 “Image” 的 MAI-Image-2，其实是一款视频生成模型，早在 3 月 19 日，它就已经率先在微软的 MAI Playground 测试平台上线，接受用户的测试。

目前，这三款模型已经全部上架了微软的 Microsoft Foundry 开发者平台，其中转录和语音模型也同步登陆了 MAI Playground，开发者可以直接调用使用。值得注意的是，这三款模型都来自微软全新的 MAI 超级智能团队 —— 这个由微软 AI 首席执行官穆斯塔法・苏莱曼领导的研究团队，直到 2025 年 11 月才正式组建对外公布，短短半年时间就拿出了三款成熟的基础模型，研发速度堪称迅猛。

苏莱曼在博客中把团队的方向总结为 “人本主义 AI”：“在微软 AI，我们正在构建人本主义 AI。我们在创建 AI 模型时秉持独特的理念 —— 以人为中心，根据人们实际的交流方式进行优化，并为实际应用而训练。” 他还透露，接下来团队还会推出更多的模型，陆续登陆 Foundry 以及微软的各类消费产品。而在拥挤的大模型市场里，微软给这些自研模型准备的最大杀招，就是低价。微软明确表示，这些模型的定价会低于谷歌和 OpenAI 的同类产品：MAI-Transcribe-1 的起价为每小时 0.36 美元；MAI-Voice-1 的起价为每 100 万个字符 22 美元；视频模型 MAI-Image-2 的文本输入起价为每 100 万个 token5 美元，图像输出则为每 100 万个 token33 美元。在当下大模型玩家纷纷打价格战的节点，微软的入局，无疑会进一步搅动市场的定价格局。

有意思的是，哪怕推出了直接对标 OpenAI 的自研模型，苏莱曼还是重申了微软跟 OpenAI 的合作承诺。不过他也透露了一个关键信息：近期微软和 OpenAI 刚刚重新谈判了双方的合作关系，正是这次重新谈判，让微软终于能放开手脚，开展自己的超级智能研究。这也从侧面说明，此前双方的合作协议，很可能对微软的自研业务有所约束，而随着新协议的落地，微软终于能在合作之外，推进自己的 AI 布局了。

这其实也是微软一贯的战略：不把鸡蛋放在同一个篮子里。在芯片领域，微软既自己研发 Azure Cobalt 这类自研芯片，也同时向英伟达等外部厂商采购芯片；而在 AI 模型领域，微软也采取了完全一样的路线：一边向 OpenAI 投资了超过 130 亿美元，把 OpenAI 的模型部署到自己的所有产品里，另一边也没停下自己的模型研发，两边下注，不管最终哪个路线跑出来，微软都能牢牢握住主动权。如今的 AI 市场，早已是巨头扎堆的红海，微软的这套双轨策略，无疑让它在这场竞争里，拥有了比其他玩家更多的底气。