摘要： 微軟於 2026 年 4 月 2 日證實 MAI-Transcribe-1、MAI-Voice-1 與 MAI-Image-2 在 Foundry 與 MAI Playground 展開公開預覽。官方宣稱轉錄支援 25 種語言、語音合成一張 GPU 不到一秒產生一分鐘音訊、影像模型初登 Arena.ai 排行第三。定價分別為轉錄每小時 0.36 美元、語音每百萬字元 22 美元，影像輸入與輸出每百萬 token 5 與 33 美元。
2026 年 4 月 2 日，Microsoft AI 執行長 Mustafa Suleyman 對外證實，微軟自家打造的 MAI-Transcribe-1（語音轉文字）、MAI-Voice-1（聲音合成）與 MAI-Image-2（圖像生成）三款模型，已透過 Microsoft Foundry 與 MAI Playground 展開公開預覽。微軟第一方的 AI 版圖自此不再侷限於文字——音訊與視覺兩塊補齊，而且直接以企業級 API 的路線問世。
Foundry 一次迎來三款 MAI
按官方的說法，Foundry 的定位是「最完整的 AI 與 app agent 工廠」。MAI-Transcribe-1 和 MAI-Voice-1 能直接掛在既有的 Azure AI Speech 資源上運行，管線不必重來；MAI-Image-2 則收進 Foundry 的標準模型目錄。另外，Copilot、Bing Image Creator、PowerPoint 與 Azure Speech 背後用的正是這同一批模型——微軟自家產品與對外開放的 API，吃的是同一套權重。
聽與說：微軟自建的音訊技術層
MAI-Transcribe-1 的賣點是 25 種語言的辨識精準度：FLEURS 基準的前二十五大語言裡，它在 11 個語言拿下榜首；剩下 14 個全都贏過 Whisper-large-v3，這 14 個當中又有 11 個連 Gemini 3.1 Flash 也比了下去。成本方面，微軟宣稱 GPU 開銷較領先的替代方案省下約 50%，批次轉錄速度是 Azure Fast 的 2.5 倍，費率定在每小時 0.36 美元。Copilot 語音模式裡的轉錄與聽寫，現在正是由它負責。微軟也沒有迴避問題：直陳模型帶有文獻記載的人類偏見，並公開了對應的處理方式。
MAI-Voice-1 主打長篇內容裡的情緒起伏表現，以及同一說話者音色的前後一致；微軟把用它產生語音比喻成「更像繪圖而不是聽寫」。效能數字是：一張 GPU 不用一秒鐘就能合成出長達一分鐘的語音，收費每百萬字元 22 美元。個人語音功能只要 10 秒的聲音樣本就能複製音色，但申請必須通過審核——這道關卡是刻意設下的。
MAI-Image-2：初登場就站上第三
MAI-Image-2 一登上 Arena.ai 影像排行榜就是第三名；微軟表示整個模型家族穩定留在前三名內，生成速度至少是前一代的兩倍。官方文案特別著墨圖內文字渲染——讓圖片裡直接長出清晰可讀的文字，歷來是擴散模型最吃力的一環。WPP 全球創意長 Rob Reilly 給它的評價是「真正的遊戲規則改變者」。Copilot、Bing 與 PowerPoint 將分期分批改用這款模型。
價格數字與負責任 AI 的附帶條件
先把帳面數字攤開：轉錄每小時 0.36 美元、語音每百萬字元 22 美元、影像生成輸入每百萬 token 5 美元、輸出每百萬 token 33 美元。微軟顯然是想靠第一方基礎設施把單位價格打下去——這和 Replit 免費模式分析一文裡拆解的模型經濟學戰爭，屬於同一個戰場：誰能把每單位智慧的邊際成本壓得越低，分發權就落在誰手上。條件同樣寫得明白：複製語音需過審核，模型出廠即內建防護，責任 AI 的約束在設計階段就長在產品裡，而不是日後再補。
開發者與產品團隊能拿走什麼
影響有三。其一，音訊管線的供應商名單變長了：轉錄與語音共用同一個 Azure Speech 資源，搬遷成本不高。其二，第一方產品和 API 用的是同一模型，等於用量規模已被驗證——Copilot 每天的流量就是現成的壓力測試。其三，影像 API 的輸出價（每百萬 token 33 美元）應該寫進選型比較表，尤其當行銷素材需要大量圖內文字時。