MAI-Image-2.5-Pro soigne le texte dans l'image, MAI-Voice-2-Flash la cadence

Microsoft AI déploie MAI-Image-2.5-Pro et MAI-Voice-2-Flash. L'impact de ces modèles propriétaires sur les coûts de calcul et la latence des outils.

Un an après avoir engagé le développement de modèles maison, Microsoft AI étoffe sa famille MAI de deux variantes en préversion publique, placées aux deux extrémités de la courbe qualité, vitesse et coût. MAI-Image-2.5-Pro vise la fidélité maximale, pour les visuels principaux, l'édition détaillée et le rendu précis de texte à l'intérieur de l'image, facturé cent six dollars le million de tokens d'image en sortie. MAI-Voice-2-Flash prend le parti inverse, celui du volume et de la réactivité, donné pour deux fois plus rapide que MAI-Voice-2 et trente-deux pour cent moins cher, à quinze dollars le million de caractères.

La démarche prolonge un choix assumé de bout en bout, entraîner ses propres modèles sur des données que l'entreprise présente comme propres et traçables, sans distillation depuis des modèles tiers, plutôt que de dépendre de fournisseurs extérieurs. L'argument avancé porte d'ailleurs moins sur les classements que sur le passage en production.

Le remplacement avance produit par produit. Bing Image Creator fonctionne désormais entièrement sur les modèles maison. Dans PowerPoint, MAI-Image-2.5 assure les transformations d'image à image, avec une baisse des coûts de calcul que Microsoft chiffre jusqu'à 84 % par rapport à GPT-Image-2. Devenu le modèle par défaut de l'édition d'images dans OneDrive, il aurait fait progresser de 26 % le taux d'enregistrement des retouches et réduit la latence d'environ un quart. Côté voix, MAI-Voice-2-Flash alimente le centre de contact de Dynamics 365 et se branche sur Azure Voice Live pour la construction d'agents vocaux.

Un dernier volet passe par les métiers spécialisés. Avec Dragon Copilot, utilisé par des professionnels de santé, MAI-Transcribe-1.5 prend en charge la transcription multilingue dans cinquante-huit langues, l'entreprise faisant état, sur ses évaluations internes, d'une réduction de moitié des erreurs de transcription et d'identification de la langue sur la plupart d'entre elles.