Microsoft AI、MAI-Image-2.5-ProとMAI-Voice-2-Flashをパブリックプレビューで公開

MAI-Image-2.5-Proは、メイン画像、詳細な編集、画像内テキストの正確な描画といった品質重視の用途向けモデルである。価格は100万テキスト入力トークンあたり$5、100万画像入力トークンあたり$8、100万画像出力トークンあたり$106。MAI-Voice-2-FlashはBuildで初めて紹介され、MAI-Voice-2の自然な抑揚と高い音質を保ちつつ、大量の音声処理向けに速度と効率を重視している。

同社は自社製品での本番利用も挙げている。Bing Image Creatorは MAI-Image-2.5の精密な画像編集機能により、デフォルトモデルが完全に自社製になった。PowerPointではimage-to-image機能に採用され、GPT-Image-2と比べてGPUコストを最大84%削減した。OneDriveの画像編集ではデフォルトモデルとなり、保存率が26%上昇、P95レイテンシが約25%低下、中程度の負荷下で効率が2.5倍になったという。

音声では、MAI-Voice-2-FlashがDynamics 365 Contact Centerを支えており、GPUコストを最大89%削減したとされる。Azure Voice Liveにも統合され、speech-to-speechのエージェント構築に使える。また、医療向けのDragon Copilotでは MAI-Transcribe-1.5が58言語の多言語ワークフローに対応し、社内評価では多くの言語で文字起こしと言語識別の誤り率が相対50%減少したと説明している。

同社は、信頼できる追跡可能な企業向けデータで学習し、第三者モデルからの蒸留を行わない自社モデルという方針を掲げる。利用はFoundryから始められ、Microsoft LearnやMAI Playgroundでも詳細確認や試用ができる。次世代のGB200クラスターが稼働中であることにも触れている。