Microsoft、新AIモデル「MAI-Image-2.5-Pro」「MAI-Voice-2-Flash」をプレビュー公開

「MAI-Image-2.5-Pro」と「MAI-Voice-2-Flash」を発表

　米Microsoftは7月23日（現地時間）、「MAI-Image-2.5-Pro」「MAI-Voice-2-Flash」を発表した。自社開発のAIモデルファミリー「MAI」の新しい一員で、いずれもパブリックプレビューとして提供される。

MAI-Image-2.5-Pro

　 「MAI-Image-2.5-Pro」 は、画像品質をなによりも優先するユースケースに適した画像生成・編集モデル。同社の画像生成モデルとしては現時点でもっとも高精細で、テキスト描画の正確性・忠実性にも優れる。

　価格はテキスト入力100万トークンあたり5米ドル、画像入力100万トークンあたり8米ドル、画像出力100万トークンあたり106米ドル。

　なお、ベースモデルの 「MAI-Image-2.5」 は「Bing Image Creator」、「PowerPoint」、「OneDrive」などですでに展開されており、一般のユーザーでもその恩恵にあずかれるとのこと。「PowerPoint」ではGPUコストが「GPT-Image-2」と比べ最大で84％も削減されたほか、「OneDrive」でも生成した画像が保存される割合が26％向上、P95レイテンシ（95％のリクエストが収まる遅延時間）が約25％改善するなどの成果が得られているという。

「PowerPoint」などで利用可能

MAI-Voice-2-Flash

　 「MAI-Voice-2-Flash」 は、既存の音声生成モデル「MAI-Voice-2」を高速化したものだ。「MAI-Voice-2」が持つ自然な抑揚や高い音響品質を保ちつつ、応答は2倍速くなり、価格は32％安くなっている。品質より応答性を重視するシナリオや、大量の音声処理が求められるシーンで役立つ。

　価格は100万文字あたり15米ドル。T-MobileやeasyJetなども利用する「Dynamics 365 Contact Center」のコールセンターエージェント基盤にも採用されており、GPUコストを最大89％削減できたという。「Azure Voice Live」にも統合されており、音声対音声のエージェント構築にも利用できる。