---

title: 微軟發布三款 MAI 模型：Transcribe-1、Voice-1、Image-2 全面切入語音與生成式 AI date: 2026-04-07 source: https://www.koc.com.tw/archives/637780 category: articles tags:

• 微軟
• MAI
• 語音辨識
• TTS
• 圖像生成
• Microsoft Foundry
• OpenAI created: 2026-04-07 updated: 2026-04-07

---

微軟發布三款 MAI 模型：Transcribe-1、Voice-1、Image-2 全面切入語音與生成式 AI

概要

微軟一口氣發布三款自研 MAI 模型，包含語音轉文字的 MAI-Transcribe-1、文字轉語音的 MAI-Voice-1，以及圖像生成的 MAI-Image-2，並同步開放給開發者透過 Microsoft Foundry 使用。這不只是一次模型更新，更是微軟在 2025 年重談與 OpenAI 合約後，開始更明確推進自研模型與平台能力的訊號。

• 原文：https://www.koc.com.tw/archives/637780
• 引述資料來源：https://microsoft.ai/news/today-were-announcing-3-new-world-class-mai-models-available-in-foundry/
• 相關背景：微軟在 2025 年與 OpenAI 重談合作條款後，獲得更大空間發展自有前沿模型

三個模型的重點

1. MAI-Transcribe-1：主打多語語音轉文字

• 文中引用數據稱，在 FLEURS 多語言基準中，前 25 大語言平均 WER 3.9%
• 文中聲稱整體表現勝過 Whisper-large-v3、Gemini 3.1 Flash、ElevenLabs Scribe v2、GPT-Transcribe 等模型的多數對照項目
• 支援 MP3、WAV、FLAC 等格式，最高 200MB
• 定價約 每小時語音 0.36 美元
• 說話者分離、上下文偏置、串流功能為即將推出

2. MAI-Voice-1：主打高速 TTS

• 官方描述可在 1 秒內生成 60 秒語音
• 強調長段落語音生成時仍能維持說話者音色與特徵一致
• 可透過幾秒語音樣本建立自訂 voice profile
• 已被用於 Copilot Audio Expressions
• 定價約 每 100 萬字元 22 美元

3. MAI-Image-2：主打商用圖像生成

• 已在 Arena.ai 圖像生成排行榜進入前三
• 微軟表示相較前代，在相同品質下生成速度提升至少 2 倍
• 可處理自然光影、膚色、材質、圖表與圖片中文字
• 已支撐 Copilot 圖像生成能力
• 定價約：文字輸入 每 100 萬 token 5 美元；圖像生成 每 100 萬 token 33 美元