微软于7月23日正式发布两款自主研发的ai模型——mai-image-2.5-pro与mai-voice-2-flash，目前均已开放公开预览。这两款模型分别聚焦于高保真图像生成与大规模并发语音交互任务。微软特别指出，其训练数据经过严格清洗与溯源验证，未采用任何第三方模型蒸馏技术，所有架构设计均以原生适配微软生态产品及用户需求为出发点。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
图像模型精度达当前最高水平，GPU资源消耗最多降低84%
MAI-Image-2.5-Pro是微软迄今精度最优的图像生成模型，专为高质量主视觉图像生成、精细局部编辑以及图像内文本精准渲染等严苛任务打造，全面支持自然语言驱动的编辑指令。该模型已作为Bing Image Creator的默认后端图像引擎，并集成至PowerPoint中实现“图生图”智能编辑功能；相较GPT-Image-2，其在同等输出质量下最高可节省84% GPU算力成本。部署于OneDrive后，图像保存成功率提升26%，P95响应延迟下降约25%，中等负载生产环境下的整体处理效率提升2.5倍。
商业层面，文本输入按每百万Token收取5美元，图像输出则按每百万Token计费106美元。
使用 DubbingX 智声云配 API 为角色台词生成 TTS 配音。支持音色查询筛选、情绪自动匹配、单条/批量台词异步生成与下载。当用户想要配音、TTS、文字转语音、角色配音、台词配音，或提到"dubbingx"、"配音"、"tts"、"语音合成"、"生成语音"、"角色声音"时，务必使用此 skill。
语音模型推理速度翻倍，已落地T-Mobile等头部客户场景
MAI-Voice-2-Flash面向高频次、低延迟语音交互场景深度优化，较前代模型推理速度提升约2倍，单位请求成本下降32%，适用于智能客服中心、实时语音助手等对响应时效极为敏感的应用。该模型已接入Dynamics 365 Contact Center，并服务于T-Mobile、EasyJet等企业级客户，GPU资源占用最高降低89%。同时，它也被整合进Azure Voice Live服务，赋能开发者快速构建端到端语音对话智能体。
此外，同属MAI系列的语音转录模型MAI-Transcribe-1.5已在医疗领域广泛应用，支撑Nuance Dragon Copilot解决方案，目前被全球17万名临床医护人员采用；上季度累计处理患者问诊语音记录达2800万次，支持58种语言，其中多数语种的转录词错误率（WER）相较此前下降50%。微软还确认，新一代GB200计算集群已正式投入运行，未来MAI系列模型将持续迭代与规模化扩展。
