微软上线 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 双模型

微软宣布旗下两款 AI 模型 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 同步进入公开预览阶段，分别覆盖文生图与语音合成两大方向，并公开了定价与性能信息。这是微软在自有 AI 模型体系上的又一次推进，意在补齐多模态生成能力。

MAI-Image-2.5-Pro：高保真文生图模型

MAI-Image-2.5-Pro 被微软定位为「迄今为止保真度最高的图像模型」，现已在公开预览中开放。该模型在定价上区分文本与图像输入、图像输出三档计费：

• 文本输入：5 美元 / 100 万 tokens
• 图像输入：8 美元 / 100 万 tokens
• 图像输出：106 美元 / 100 万 tokens

相较于市场上以张或次计费的图像生成服务，token 化的定价策略更接近大语言模型的计费方式，便于开发者把图像生成与文本推理统一在同一个成本框架内做取舍。

MAI-Voice-2-Flash：更快更便宜的语音模型

MAI-Voice-2-Flash 是 MAI-Voice-2 的轻量版本，主打速度与成本优势：

• 速度提升：相较 MAI-Voice-2 提速约 2 倍
• 成本下降：价格降低约 32%
• 定价：15 美元 / 100 万字符

按字符计费的模式同样贴近 LLM 的使用习惯，对需要批量生成语音合成（TTS）内容的应用而言，单位成本进一步压低。

战略意义与后续关注

微软此次同时推进图像与语音两条产品线，显示出其在自有 AI 模型矩阵上的加速布局。两个模型均已进入公开预览，意味着开发者可以立即接入测试。后续值得关注的点包括：模型在主流 benchmark 上的具体表现、上下文支持范围、多语言覆盖能力，以及正式 GA（通用可用）的时间节点。