微软 AI 发布首批自研模型 MAI-Voice-1 与 MAI-1-preview

背景

2025年8月28日，微软 AI（Microsoft AI）发布了它的首批自研模型：MAI-Voice-1 与 MAI-1-preview。^[1] 媒体把这一组模型视为微软减少对 OpenAI 依赖的第一步。^[3] 两款模型性质不同：一款负责生成语音，另一款是通用语言模型，负责生成文本。

发生了什么

MAI-Voice-1 是语音生成模型，即把文字转换为朗读音频的系统。微软称，它在单块 GPU 上可以在不到一秒的时间里生成一分钟的音频。GPU 是图形处理器，也是多数 AI 系统运行所依赖的硬件。^[1] 该模型已经用在微软自己的产品中，为 Copilot Daily 和 Podcasts 提供语音。^[1]

MAI-1-preview 是基础模型（foundation model），即先在大规模、广泛的数据上训练，再针对具体用途进行调整的通用大模型。它采用专家混合（mixture-of-experts，MoE）结构：网络被拆分成许多专门化的子网络，每次输入只激活其中一部分，因此模型可以做得很大，又不必每次都调用全部参数。微软称，该模型在约 15,000 块 NVIDIA H100 GPU 上完成了预训练和后训练。^[1]

关键细节

MAI-1-preview 在 LMArena 上进入公开测试。LMArena 是一个让人对不同模型的回答进行并排投票比较的平台。在其文本排行榜上，该模型首次亮相即排在第13位。^[1][2] 微软表示，模型将在随后几周内用于部分 Copilot 文本功能。^[1][2]

微软还表示，其下一代 GB200 集群已经投入运行。这是一组相互连接、用于训练和运行大模型的 NVIDIA GB200 系统。^[1] 对于要自行训练模型的公司来说，这类硬件决定了模型能做多大、训练和运行得多快。

影响

这次发布表明，微软已开始为自家产品训练自研模型，与它提供的其他公司模型并行存在。这件事的意义，与其说在于排行榜上的某个名次，不如说在于它释放出的方向：微软希望减少对单一外部供应商的依赖。^[3]

对关注这一领域的读者来说，这次发布是一个有用的参照点。一家大型平台公司从基础模型的使用者转向自行训练模型，并且语音模型与文本模型同时发布、同时接受公开测试。^[1][3]