Microsoft выпустила три собственные AI-модели под брендом MAI, и это уже не просто очередное обновление линейки, а явный сигнал, что компания всё серьёзнее строит независимую AI-экосистему. В набор вошли MAI-Transcribe-1 для распознавания речи, MAI-Voice-1 для генерации голоса и MAI-Image-2 для создания изображений, а доступ к ним уже открыт через Microsoft Foundry и MAI Playground, хотя последний пока работает только в США. Что выпустила Microsoft Самая заметная часть анонса - это попытка закрыть сразу три ключевых сценария: транскрипция, голос и визуальная генерация. MAI-Transcribe-1 отвечает за преобразование речи в текст, MAI-Voice-1 создаёт реалистичную речь, а MAI-Image-2 генерирует изображения и уже используется внутри Copilot и у корпоративных партнёров. Такой набор показывает, что Microsoft хочет контролировать не только интерфейс своих продуктов, но и саму базу моделей, на которой эти продукты работают. Это особенно важно на фоне зависимости компании от OpenAI в предыдущие годы. Теперь Microsoft явно делает ставку на собственные модели, которые можно быстрее встраивать в Foundry, Copilot и корпоративные сервисы без внешней технологической связки. Чем интересна транскрипция MAI-Transcribe-1 - это модель распознавания речи, и здесь Microsoft делает ставку на точность и цену одновременно. На бенчмарке FLEURS она показала 3,9% ошибок на топ-25 языках мира, включая японский, что даёт ей сильную позицию среди конкурентов. По заявлениям компании, она также дешевле многих аналогов: стартовая цена - от 0,36 доллара за час транскрипции. На старте модель поддерживает пакетную обработку аудио, то есть лучше всего подходит для уже готовых файлов вроде подкастов, лекций и архивных записей. В будущем Microsoft обещает добавить real-time распознавание и разделение спикеров, что сделает модель полезной уже для звонков, интервью и live-сценариев. Что умеет голосовая модель MAI-Voice-1 - это ставка на выразительный синтез речи. Microsoft говорит, что модель умеет генерировать 60 секунд звука всего за одну секунду работы, при этом сохраняет интонации, эмоции и голосовую идентичность персонажа даже на длинных текстах. Для бизнеса это особенно важно, потому что здесь речь идёт не просто о чтении текста, а о создании живого голоса для ассистентов, подкастов и брендовых голосовых решений. Отдельная фишка - возможность создать кастомный голос всего из нескольких секунд записи. Это сразу открывает сценарии для брендов, медиакомпаний, игр, образовательных платформ и всех, кому нужен узнаваемый голос без длительной студийной записи. Microsoft уже встроила MAI-Voice-1 в Copilot Audio Expressions, а это означает, что модель не лежит в вакууме, а уже живёт внутри реального продукта. Зачем Microsoft новая модель изображений MAI-Image-2 - третья часть пакета и, пожалуй, самая показательная в плане амбиций. По данным компании, модель уже вошла в топ-3 на Arena.ai - платформе для сравнения генераторов изображений, а сама Microsoft пишет, что она работает как минимум вдвое быстрее при сопоставимом качестве. Это очень важный сигнал: Microsoft не просто догоняет рынок, а хочет конкурировать на скорости, цене и качестве одновременно. Модель уже используется у крупных корпоративных клиентов, включая рекламное агентство WPP. А это значит, что речь не о лабораторной демонстрации, а о production-ready инструменте для бизнеса. Более того, Microsoft показывает модель через очень конкретные примеры - от макроснимков и сюрреалистичных сцен до визуалов с натуральным светом и хорошими текстурами. Почему это важно стратегически Главный смысл анонса не в самих трёх моделях, а в том, что Microsoft формирует собственную AI-вертикаль. Долгое время компания сильно опиралась на OpenAI, но теперь строит полноценный внутренний стек, который можно контролировать, ускорять и продавать. Это снижает зависимость от партнёров и даёт Microsoft больше свободы в продуктовой стратегии. Сатья Наделла прокомментировал запуск максимально позитивно. По его словам, семейство MAI подходит каждому разработчику в Foundry. Мустафа Сулейман, руководитель Microsoft AI, тоже показал возможности новой модели в соцсетях, подчеркнув, что речь идёт о быстрых, дешёвых и качественных решениях для реальных задач. Иными словами, Microsoft больше не просто использует чужой интеллект, а активно строит свой. Что это значит для рынка Рынок AI-моделей всё сильнее уходит в фазу, где выигрывает не только качество, но и контроль над всей цепочкой моделей - от генерации речи до изображений и распознавания. Microsoft явно хочет стать платформой, у которой есть собственные модели на все основные мультимодальные задачи. Для разработчиков это означает более тесную интеграцию с Foundry, а для рынка - ещё одного крупного игрока, который перестаёт зависеть от одного внешнего поставщика. Если всё это резюмировать в одном предложении, Microsoft делает очевидную вещь - перестраивает AI-стратегию так, чтобы ключевые модели были у неё под крышей, а не только в партнёрстве. И именно поэтому релиз MAI-Transcribe-1, MAI-Voice-1 и MAI-Image-2 важен не меньше, чем любой отдельный продуктовый запуск.