Modèles Microsoft MAI : WER 3,8 % et plans jusqu'en 2027

Microsoft accélère le développement de modèles d'IA multimodaux : plans de niveau frontier d'ici 2027

Microsoft lance une série de modèles d'IA spécialisés via son équipe de superintelligence. Les principales sorties incluent MAI-Transcribe-1 pour la transcription, MAI-Voice-1 pour la synthèse vocale, et MAI-Image-2 pour la génération d'images. Tous sont disponibles dans Microsoft Foundry et MAI Playground. Le focus principal porte sur la transcription avec un WER de 3,8 % sur FLEURS, surpassant Whisper-large-v3 et Gemini 3.1 Flash.

Spécifications techniques des modèles

MAI-Transcribe-1 affiche un taux d'erreur sur les mots (WER) de 3,8 % sur le benchmark FLEURS pour les 25 langues les plus courantes. Le modèle surpasse :

• Whisper-large-v3 (OpenAI) sur l'ensemble des 25 langues ;
• Gemini 3.1 Flash (Google) sur 22 des 25 langues.

Ces performances résultent d'une spécialisation étroite : des volumes de données d'entraînement et des ressources GPU réduits par rapport aux concurrents. Cela diminue les coûts d'inférence sans compromettre la qualité.

MAI-Voice-1 se concentre sur la génération de voix naturelles, en s'intégrant à d'autres modèles pour des pipelines multimodaux. MAI-Image-2 améliore la génération d'images, avec un support pour une haute résolution et une précision contextuelle.

L'accès via MAI Playground simplifie le prototypage : les développeurs peuvent tester les modèles en temps réel, en combinant les modalités sans infrastructure locale.

Changement de stratégie : du off-frontier au leadership

Précédemment, Microsoft adoptait une approche off-frontier — à la traîne de 3 à 6 mois derrière OpenAI pour optimiser les coûts. Mustafa Suleyman, responsable de Microsoft AI, a annoncé un virage vers la sortie de modèles frontier dans toutes les modalités (texte, images, audio) d'ici 2027.

L'objectif est l'indépendance : des métriques de pointe en qualité, efficacité et tarification, sans dépendances externes. L'entreprise augmente sa puissance de calcul :

• À partir d'octobre — un cluster NVIDIA GB200 ;
• Plans pour des capacités de niveau frontier en 12 à 18 mois ;
• Implication personnelle de Satya Nadella dans la feuille de route.

Cela répond à la pression des investisseurs après un trimestre faible : livrer un ROI sur les investissements en infrastructure IA via des modèles spécifiques aux tâches à faible coût de production.

Infrastructure et mise à l'échelle

Le cluster GB200 offre un débit élevé pour l'entraînement et l'inférence. La transition vers du compute frontier permettra de gérer des ensembles de données à l'échelle des trillions de tokens, en supportant des transformers multimodaux.

Une comparaison des ressources met en évidence l'efficacité :

| Model | WER (FLEURS, 25 languages) | Resources (relative to competitors) |

|--------------------|----------------------------|-------------------------------------|

| MAI-Transcribe-1 | 3.8% | Less data and GPU |

| Whisper-large-v3 | >3.8% | More data/GPU |

| Gemini 3.1 Flash | >3.8% (3 languages) | Standard |

L'optimisation provient de la distillation, de l'élagage et d'architectures personnalisées adaptées à des tâches spécifiques.

Points clés

• MAI-Transcribe-1 domine en WER sur FLEURS, confirmant sa supériorité sur 25 langues ;
• Virage vers les modèles frontier d'ici 2027 : accent sur la multimodalité et l'indépendance ;
• Réductions de coûts via la spécialisation — moins de GPU et de données avec de meilleures métriques ;
• Intégration dans Foundry/Playground pour un déploiement rapide ;
• La pression des investisseurs accélère le développement interne de Microsoft.

— Editorial Team