> ## Content Index > Fetch the complete content index at: https://matveev.tech/llms.txt > Use this file to discover other available public pages before exploring further. # Microsoft MAI: три модели для голоса, транскрипции и картинок - URL: https://matveev.tech/microsoft-mai-modeli-foundry/ - Published: 2026-04-03T06:06:52.000Z - Updated: 2026-04-03T06:06:52.000Z - Description: Microsoft представила MAI-Transcribe-1, MAI-Voice-1 и MAI-Image-2. Собственные модели, агрессивные цены и явный курс на независимость от OpenAI. - Author: Pavel Matveev - Tags: Новости, AI, LLM > TL;DR: Microsoft выкатила три собственные модели серии MAI: транскрипция голоса на 25 языках, генерация речи с эмоциями за секунду и генерация картинок из топ-3 Arena.ai. Всё доступно в Foundry, цены агрессивные. Похоже, зависимость от OpenAI Microsoft больше не устраивает. ## MAI-Transcribe-1: распознавание речи на 25 языках Первая модель закрывает задачу speech-to-text. Microsoft заявляет первое место по бенчмарку [FLEURS](https://huggingface.co/datasets/google/fleurs?ref=matveev.tech) в 11 основных языках. В оставшихся 14 языках MAI-Transcribe-1 обходит Whisper large-v3 от OpenAI, а в 11 из них ещё и Gemini 3.1 Flash от Google. Но главное не бенчмарки. Скорость пакетной транскрибации в 2.5 раза выше текущего Azure Fast Transcription. Для тех, кто гоняет через API тысячи часов аудио (колл-центры, подкасты, медиа), это ощутимая разница. Модель оптимизирована для шумных реальных условий, не только для чистых студийных записей. **Цена:** $0.36 в час. Для сравнения, Whisper через OpenAI API обходится примерно в $0.36 за 60 минут, так что Microsoft целится ровно в ту же нишу, но с заявленным превосходством по качеству. ## MAI-Voice-1: генерация голоса с эмоциями Вторая модель работает в обратную сторону: текст превращает в речь. Microsoft обещает, что голос звучит естественно, с интонациями и эмоциями. Не тот монотонный TTS, к которому мы привыкли. - 60 секунд аудио генерируется за 1 секунду. Это быстро, для реалтайм-сценариев подходит - Можно создать кастомный голос буквально из нескольких секунд записи - Голос сохраняет идентичность на длинных текстах, не «плывёт» к середине MAI-Voice-1 уже работает в Copilot Audio Expressions и Copilot Podcasts. Думаю, скоро увидим его в Teams и других продуктах Microsoft. **Цена:** $22 за миллион символов. ElevenLabs берёт в среднем $24-30/1M символов на бизнес-планах. Разбираю свежие AI-релизы и модели по мере выхода — [подписывайся в телеге](https://t.me/ctospeech?ref=matveev.tech). ## MAI-Image-2: генерация картинок для Bing и PowerPoint ![Пример изображения, созданного MAI-Image-2 для WPP](https://matveev.tech/content/images/2026/04/mai-image-2-wpp-sample-1.png) Третья модель генерирует изображения и уже вошла в топ-3 на [Arena.ai](https://arena.ai/?ref=matveev.tech) — это площадка, где пользователи вслепую сравнивают результаты разных генераторов. Генерация стала в 2 раза быстрее (в Foundry и Copilot), а Microsoft делает акцент на натуральном освещении, точных тонах кожи и читаемом тексте на картинках. Целятся в фотографов, дизайнеров и маркетологов. Rob Reilly, глобальный креативный директор WPP (одна из крупнейших рекламных групп мира), назвал MAI-Image-2 game-changer для создания рекламных изображений. ![Рекламный креатив WPP, сгенерированный через MAI-Image-2](https://matveev.tech/content/images/2026/04/mai-image-2-wpp-sample-2.png) Модель уже раскатывается в Bing Image Creator и PowerPoint. **Цена:** $5 за миллион токенов (текстовый ввод), $33 за миллион токенов (генерация изображений). ## Зачем Microsoft строит свои модели Вот что тут важно. Полгода назад Microsoft сформировала отдельную группу MAI (Microsoft AI). С тех пор уже несколько релизов собственных моделей. Раньше стратегия была простой: OpenAI делает модели, Microsoft продаёт через Azure. Сейчас Microsoft параллельно строит свой модельный стек. Не вместо OpenAI (партнёрство [никуда не делось](https://techcrunch.com/2026/04/02/microsoft-takes-on-ai-rivals-with-three-new-foundational-models/?ref=matveev.tech)), а в дополнение. Зависеть от одного поставщика рискованно, особенно когда этот поставщик сам хочет стать платформой. Плюс мультимодальные задачи (голос, картинки, транскрипция) — это инфраструктура, которую Microsoft хочет контролировать целиком. Для разработчиков это хорошая новость. Когда три гиганта конкурируют за одни и те же API-задачи, цены падают. ## Где попробовать Все три модели доступны в Microsoft Foundry и MAI Playground. Foundry — это бывший Azure AI Studio, ребрендинг прошёл пару месяцев назад. [Microsoft FoundryПлатформа для работы с AI-моделями Microsoft. MAI-Transcribe-1, MAI-Voice-1 и MAI-Image-2 доступны через APIMicrosoft](https://foundry.microsoft.com/?ref=matveev.tech) ## Что ещё почитать - [Gemini 3.1 Flash Live: голосовые агенты Google стали точнее](https://matveev.tech/gemini-3-1-flash-live-obzor/) — голосовые модели Google, прямой конкурент MAI-Voice-1 - [GPT-5.4: computer use, tool search и 1M контекст](https://matveev.tech/gpt-5-4-obzor/) — последняя мультимодальная модель OpenAI - [GPT-5.4 Mini и Nano: быстрые модели для кода и субагентов](https://matveev.tech/gpt-5-4-mini-nano/) — ценовая конкуренция в сегменте быстрых моделей