微軟推出語音與影像新 AI 模型

🔑 增強重點摘要

• •微軟此次發布的模型整合於 Azure AI Studio 平台，旨在強化企業級應用開發者對於多模態 AI 的自主控制權，而非僅依賴 OpenAI 的 API。
• •這些模型採用了微軟自研的 Phi 系列小型語言模型（SLM）架構變體，強調在邊緣運算設備上的執行效率與低延遲特性。
• •微軟透過此舉進一步推動「模型多樣化」策略，降低對單一合作夥伴（OpenAI）的依賴，並針對特定垂直產業（如客服中心語音分析）提供更具成本效益的解決方案。

🛠️ 技術深入

• •語音辨識模型採用了端到端（End-to-End）的 Transformer 架構，移除了傳統的聲學模型與語言模型分離設計，顯著降低了推理延遲。
• •影像生成模型基於擴散模型（Diffusion Model）架構，並引入了微軟專有的安全過濾層（Safety Guardrails），在訓練階段即植入了防止生成有害內容的機制。
• •語音合成模型支援零樣本（Zero-shot）語音克隆技術，並透過量化技術（Quantization）將模型大小壓縮至 1GB 以下，以適應邊緣設備部署。

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線