微軟於2026年4月推出三款全新基礎模型，由成立僅6個月的MAI團隊研發。三款模型分別覆蓋不同核心場景：語音轉寫模型支持全球102種語言及方言識別，嘈雜環境下識別準確率較行業主流產品高出17%；音頻生成模型僅需10秒人聲樣本即可完成音色複刻，支援8種常見情緒表達，語音擬真度達92%；圖像生成模型主打低算力消耗，在消費級GPU上即可實現1024x1024分辨率圖像的秒級生成。微軟此前憑藉Azure雲服務 OpenAI產品的組合，已拿下全球企業級AI服務市場近40%份額。