微软 MAI 模型：WER 3.8% 以及截至 2027 年的计划

# 微软加速多模态 AI 模型开发：2027 年实现前沿水平计划

微软通过其超级智能团队推出了一系列专业化 AI 模型。主要发布包括用于转录的 MAI-Transcribe-1、用于语音合成的 MAI-Voice-1，以及用于图像生成的 MAI-Image-2。所有模型均可在 Microsoft Foundry 和 MAI Playground 中使用。主要焦点是转录，在 FLEURS 上词错率 (WER) 为 3.8%，超越 Whisper-large-v3 和 Gemini 3.1 Flash。

模型技术规格

MAI-Transcribe-1 在 FLEURS 基准测试中，对 25 种最常见语言的词错率 (WER) 为 3.8%。该模型优于：

• 在所有 25 种语言上优于 Whisper-large-v3 (OpenAI)；
• 在 25 种语言中的 22 种上优于 Gemini 3.1 Flash (Google)。

这些成就来自于狭窄专业化：与竞争对手相比，训练数据量和 GPU 资源更少。这降低了推理成本，同时不牺牲质量。

MAI-Voice-1 专注于生成自然语音，与其他模型集成用于多模态管道。MAI-Image-2 改进了图像生成，支持高分辨率和上下文准确性。

通过 MAI Playground 访问简化了原型设计：开发者可以实时测试模型，组合模态而无需本地基础设施。

战略转变：从非前沿到领导地位

此前，微软采用非前沿方法——落后 OpenAI 3–6 个月以优化成本。微软 AI 负责人 Mustafa Suleyman 宣布，到 2027 年转向发布所有模态（文本、图像、音频）的前沿模型。

目标是独立：质量、效率和定价方面的顶级指标，而无外部依赖。公司正在增加计算能力：

• 10 月开始——NVIDIA GB200 集群；
• 12–18 个月内实现前沿水平容量；
• Satya Nadella 亲自参与路线图。

这是对投资者压力的回应，在业绩疲软季度后：通过低生产成本的任务特定模型，实现 AI 基础设施投资的投资回报率 (ROI)。

基础设施和扩展

GB200 集群为训练和推理提供高吞吐量。转向前沿计算将使处理万亿 token 规模的数据集成为可能，支持多模态 transformer。

资源比较突显效率：

| 模型 | 词错率 (FLEURS, 25 种语言) | 资源（相对于竞争对手） |

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

| MAI-Transcribe-1 | 3.8% | 数据和 GPU 更少 |

| Whisper-large-v3 | >3.8% | 数据/GPU 更多 |

| Gemini 3.1 Flash | >3.8% (3 种语言) | 标准 |

优化来自于蒸馏、剪枝和针对特定任务的自定义架构。

关键要点

• MAI-Transcribe-1 在 FLEURS 上词错率领先，确认在 25 种语言上的优越性；
• 到 2027 年转向前沿模型：强调多模态和独立性；
• 通过专业化降低成本——更少的 GPU 和数据，但更好指标；
• 在 Foundry/Playground 中的集成，用于快速部署；
• 投资者压力加速微软内部开发。

— Editorial Team