2026年7月23日，微软AI超级智能团队正式将两款自研模型——MAI-Image-2.5-Pro（高保真图像生成）和**MAI-Voice-2-Flash**（企业级语音处理）——投入公开预览。这标志着微软在”自研模型驱动自家产品”的道路上迈出关键一步。

两个模型，两种定位

MAI-Image-2.5-Pro定位高端图像生成场景，定价为每百万文本输入token 5美元、每百万图像输入token 8美元、每百万图像输出token 106美元。它在Arena社区排行榜的图像编辑项目上已排名第二，广告巨头WPP全球首席创意官Rob Reilly评价该模型是”生成式媒体工具的一大飞跃”。

MAI-Voice-2-Flash则走另一个方向：运行速度比MAI-Voice-2快一倍，成本低32%，定价每百万字符15美元。它瞄准的是呼叫中心、语音客服、实时语音应用这类对延迟和成本极为敏感的大规模场景。

生产数据：GPU成本最高降89%

微软这次公布的部署数据，比模型本身更具冲击力。

Bing Image Creator已全面切换至MAI-Image-2.5，这是该消费者级图像工具首次完全由自研模型驱动。在PowerPoint中，MAI-Image-2.5比OpenAI的GPT-Image-2节省高达84%的GPU成本。在OneDrive的关键图像编辑场景中，保存率提升26%，P95延迟降低约25%，中等负载下效率提升2.5倍。

语音方面的数据同样亮眼。MAI-Voice-2-Flash已接入Dynamics 365 Contact Center——该平台服务于T-Mobile、EasyJet等客户——微软声称GPU成本最多降低89%。

医疗场景：Dragon Copilot覆盖58种语言

在医疗领域，微软的Dragon Copilot已接入MAI-Transcribe-1.5模型。该系统目前服务17万名医疗提供者，上一季度处理了2800万次患者诊疗记录，支持58种语言的多语言工作流。微软称，在大多数语言中，转录和语言识别错误率均降低了50%——在转录错误可能直接影响临床记录的场景中，这一改进意义重大。

战略转向：从”依赖OpenAI”到”微软产品由微软模型驱动”

“这些升级都指向同一个目标：微软产品，由微软模型驱动。”微软在其公告博客中写道。从Bing、PowerPoint、OneDrive到Excel、GitHub Copilot和Azure，7款核心产品已确认接入自研模型。

对于企业客户而言，这释放了一个明确的信号：微软的自研模型已不再是实验室项目，而是服务于数百万用户的生产级基础设施。这场AI军备竞赛的竞争维度，正在从”谁的模型最强大”转向”谁的模型最经济、最适配”。

图片来源：VentureBeat（AI生成配图）