微软与谷歌周四同步发布新一代 AI 模型，进一步加码多模态能力布局。微软推出自研 MAI 系列基础模型，覆盖语音转写、语音生成和图像生成，并加速融入自家产品体系；谷歌则发布 Gemma 4 开源模型，主打本地运行和多模态能力，并将许可切换至更开放的 Apache 2.0 协议。

微软：三款 MAI 模型覆盖语音与图像能力

微软推出的 " 世界级 " 自研 MAI 模型，一共包括三款：

首先是 MAI-Transcribe-1，这是一款 " 最先进 " 的语音转文本模型，能够理解全球使用最广泛的 25 种语言，其批量转录速度相比微软现有的 Azure Fast 方案提升了 2.5 倍。MAI-Transcribe-1 的起步价格为每小时 0.36 美元。

其次是 MAI-Voice-1，这是一款新的语音生成模型，只需 1 秒即可生成 60 秒的音频。同时，它还支持在 Microsoft Foundry 中通过短音频样本创建定制语音。MAI-Voice-1 的起步价格为每 100 万个字符 22 美元。

最后是 MAI-Image-2，这是一款更快的文生图模型，目前已经开始在 Copilot 中上线，接下来将陆续应用于 Bing 和 PowerPoint。MAI-Image-2 的价格为文本输入每 100 万个词元（Token）收费 5 美元，图像输出每 100 万个词元收费 33 美元。

如今，这三款模型已全部在 Microsoft Foundry 上线，其中语音转写和语音生成模型也可在 MAI Playground 中使用。这些模型由微软的 MAI 超级智能团队开发，该团队由 Microsoft AI 首席执行官穆斯塔法 · 苏莱曼（Mustafa Suleyman）领导，于 2025 年 11 月成立并对外公布。

微软表示：

" 我们正在快速部署这些顶级模型，用于支持自家的消费者和商业产品。很快你将会在 Foundry 以及微软各类产品和体验中看到更多模型。"

媒体分析称，这一发布表明，尽管微软仍与 OpenAI 保持紧密合作，但公司正持续推进构建自有多模态 AI 模型体系，并与其他 AI 研究机构展开竞争。

不过，苏莱曼在接受媒体采访时重申，微软仍将继续与 OpenAI 保持合作关系。但他也向媒体表示，近期对双方合作关系的重新谈判，使微软能够真正推进其超级智能研究。

微软已向 OpenAI 投资超过 130 亿美元，并通过一项多年期合作，将其模型部署在自家多款产品中。微软在芯片领域也采取类似策略：既自主研发，也同时采购外部供应商的产品。

谷歌：Gemma 4 开源模型主打本地运行与多模态能力

谷歌推出的 Gemma 4 开源模型采用 Apache 2.0 许可，而不再使用此前自定义的 Gemma 许可协议。谷歌表示，这些模型具备高级推理能力、代理式工作流、代码生成，以及视觉和音频生成能力，并提供四种不同版本，针对本地运行进行了优化，甚至可以运行在 " 数十亿台安卓设备 " 上。

谷歌表示：

"Gemma 4 基于与 Gemini 3 相同的世界级研究和技术，是目前你可以在本地硬件上运行的能力最强的一系列模型。它们与我们的 Gemini 模型形成互补，为开发者提供业内最强大的开源与专有工具组合。"

" 这种开源许可为开发者提供了完整的灵活性和数字主权基础，让你可以完全掌控数据、基础设施和模型。你可以在任何环境中自由构建并安全部署，无论是在本地还是云端。"

四种不同版本主要区别在于参数规模。针对边缘设备（包括智能手机），公司推出了 20 亿和 40 亿参数的 "Effective" 模型，更注重多模态能力和低延迟处理，适用于移动设备和物联网设备。针对更强大的设备，则提供了 260 亿参数的 "Mixture of Experts"（专家混合）模型，以及 310 亿参数的 "Dense"（稠密）模型，旨在运行于消费级 GPU 上，可用于驱动 IDE、编程助手以及代理式工作流。这些模型还支持完全离线运行。

谷歌表示，在 Gemma 4 上实现了 " 前所未有的单位参数智能水平 "。为佐证这一说法，公司指出，Gemma 4 中 310 亿和 260 亿参数版本在 Arena AI 文本排行榜上分别位列第三和第六，击败了规模是其 20 倍的模型。

所有这些模型都可以处理视频和图像，因此非常适合用于光学字符识别等任务。较小的两个模型还支持处理音频输入并理解语音。此外，谷歌表示，Gemma 4 系列支持离线代码生成，这意味着用户可以在没有互联网连接的情况下进行编程（例如进行 "vibe coding"）。这些模型还支持超过 140 种语言。

谷歌的 Gemma 4 开源模型可以在多个平台下载，包括 Hugging Face、Kaggle 和 Ollama。谷歌强调：

" 这些模型在基础设施安全方面，遵循与我们专有模型相同的严格安全协议。"