Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览版

模型

超级智能团队

2026年7月23日

模型

超级智能团队

Two overlapping speech bubbles, one pink and one green, with a flower in the center where they meet. The background is light gray.

“MAI-Image-2.5-Pro 是 GenMedia 工具的一次重大飞跃。除了令人印象深刻的图像质量外，它能够以如此精准度渲染文字，是一项真正的突破。它还能理解自然语言编辑，因此创意迭代变得更快、更直观。Microsoft 已稳固地跻身生成式 AI 领域的领导者之列。”

Rob Reilly，WPP 全球首席创意官

一年前，我们开始在 Microsoft AI 内部开发专门构建的模型。这些模型基于干净、可追溯、企业级的数据训练，没有从第三方模型蒸馏，并且从底层设计开始就旨在服务于每天使用 Microsoft 产品的人们。

如今，这项工作正在你所依赖的产品中发挥关键作用。我们在 Build 上预览的模型不仅登顶排行榜，还正在生产中大规模运行，高效地为 Bing、PowerPoint、OneDrive、Dynamics 365 和 Azure 等不断扩展的 Microsoft 产品组合中的数百万用户提供体验。

推出两个新模型变体

现实世界的用例并非一刀切。追求最高保真度的创意工作室与每天处理数百万次呼叫的客户服务中心有着截然不同的需求。这就是我们构建模型系列的原因：为每个产品提供质量、速度和成本之间的恰当平衡。

今天我们正在扩展这些选项：

MAI-Image-2.5-Pro 现已进入公开预览。适用于质量至上的用例。主视觉图像、精细编辑、图像内文字精准渲染。Pro 是我们迄今为止保真度最高的图像模型，定价为每 100 万文本输入 token 5 美元、每 100 万图像输入 token 8 美元、每 100 万图像输出 token 106 美元。
MAI-Voice-2-Flash 现已进入公开预览。Flash 首次在 Build 上推出，专为速度和规模而构建。对于响应速度至关重要的大规模语音体验来说，它是快速、高效的路径，同时保留了 MAI-Voice-2 中自然的韵律和高声学质量。Flash 比 MAI-Voice-2 快 2 倍，便宜 32%，定价为每 100 万字符 15 美元。

MAI-Voice-2-Flash 和 MAI-Image-2.5-Pro 与我们现有的生产模型并列，因此构建者可以选择适合其任务的质量-速度-成本曲线上的点。

A collage of eight images: perfume ad, lemons with a drink, purple tote bag, dog on a crosswalk, city park, two books about birds, feet on checkered tiles, and a modern bathroom with blue accents.

为我们的 Microsoft 产品专门构建的模型

排行榜非常适合对我们的模型质量进行基准测试，但真正的证明在于在实际产品用例中服务用户。Microsoft 在决定生产环境中使用最佳模型之前，会严格评估所有模型。在更多 Microsoft 产品界面中，MAI 模型在质量、延迟和效率方面均优于竞争模型：

Bing Image Creator 现在默认 100% 内部自研。借助 MAI-Image-2.5 全新的精准图像编辑能力，它现在成为端到端驱动 Bing Image Creator 的默认模型，可实现高质量生成和更强的创意控制。

PowerPoint 中可用的图像生成和编辑功能。MAI-Image-2.5 现已在 PowerPoint 中投入生产，用于图像到图像功能，与 GPT-Image-2 相比，GPU 成本降低高达 84%。

OneDrive 中的图像编辑。MAI-Image-2.5 现已成为 OneDrive 关键生产图像编辑场景的默认模型。自推出以来，它将保存率提高了 26%，将 P95 延迟降低了约 25%，并在中等利用率的生产工作负载下实现了 2.5 倍的效率提升。

呼叫中心中的语音。MAI-Voice-2-Flash 现为 Dynamics 365 Contact Center 提供支持，这是用于构建呼叫中心代理的企业平台，客户包括 T-Mobile 和 EasyJet，将我们最具表现力、最自然的语音带入品牌定义对话，同时将 GPU 成本降低高达 89%。

MAI-Voice-2-Flash 集成于 Azure Voice Live。客户可以在 Voice Live 中快速构建语音代理，由 MAI‑Voice‑2‑Flash 自然、富有表现力的语音和低延迟提供支持。Voice Live 为开发者提供了一条可扩展的路径，以构建支持语音到语音交互的高质量代理。

这些增强中的每一项都是朝着同一目标迈出的一步：Microsoft 产品，由 Microsoft 模型驱动，为使用它们的人而构建。

与专家共同构建

当今一些最重要、最具挑战性的领域，例如医学或软件工程，需要的不仅仅是通用模型。它们需要深厚的专业知识、紧密的反馈循环，以及能够解决复杂现实世界挑战的模型。Microsoft AI 直接与领域专家合作，针对他们的独特需求调整和优化我们的模型：

MAI 正在与 Dragon Copilot 合作，该解决方案被 170,000 名医疗提供者使用，上一季度处理了 2800 万次患者就诊。MAI-Transcribe-1.5 现在支持 Dragon Copilot 的多语言工作流，用我们自己的同类最佳模型替换了之前的模型，覆盖 58 种语言。在多语言录音的内部评估中，该模型在大多数语言中将转录和语言识别错误率相对降低了 50%，早期研究显示医疗记录下游准确性有令人鼓舞的改进。

这一切都不是终点。这是一项决策的累积结果：内部构建模型，以便围绕使用我们产品的人来塑造它们，并提供为客户带来更多选择和更好价值的选项。这就是“由 MAI 驱动”的含义，一个模型接一个模型，一个产品接一个产品。我们才刚刚开始。与此同时，请在 Foundry 中开始使用这些模型。您还可以在 Microsoft Learn 上了解有关 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 的更多信息，或在 MAI Playground 中试用它们。

与我们一起构建未来

我们是一个精简、快速发展的实验室，由世界上一些最有才华的人才组成。我们在 MAI 拥有令人兴奋的计算路线图，我们的下一代 GB200 集群现已投入运营。我们还有一个我们真正相信的雄心勃勃的使命。我们也很幸运能与令人难以置信的产品团队合作，让我们的模型有机会触达数十亿用户并产生巨大的积极影响。如果你是一个才华横溢、雄心勃勃且低调的人，你会非常适合这里——来加入我们，一起开发我们的下一代模型！

浏览所有职位