Microsoft MAI ปล่อย 3 โมเดล in-house — Transcribe-1, Voice-1, Image-2 ส่งสัญญาณลดการพึ่ง OpenAI
2 เมษายน 2026 ทีม MAI Superintelligence ของ Microsoft นำโดย Mustafa Suleyman (CEO of Microsoft AI) ปล่อยโมเดล proprietary ใหม่ 3 ตัวใน Microsoft Foundry — เป็นสัญญาณชัดว่า Microsoft กำลังสร้าง stack AI ของตัวเอง แม้ยังพึ่ง OpenAI เป็นพาร์ตเนอร์หลัก
3 โมเดลที่เปิดตัว
MAI-Transcribe-1 — speech-to-text ที่ทำ state-of-the-art ใน 25 ภาษาที่ใช้บ่อยที่สุด ค่า Word Error Rate เฉลี่ย 3.8% บน FLEURS benchmark (ต่ำกว่า Whisper และคู่แข่ง)
MAI-Voice-1 — generate เสียงพูด 60 วินาทีในเวลาเพียง 1 วินาที รักษา speaker identity ใน long-form content และสร้าง custom voice จากเสียงต้นฉบับแค่ไม่กี่วินาที ราคาเริ่ม $22 ต่อ 1 ล้านตัวอักษร
MAI-Image-2 — text-to-image ที่ดีบิวต์อันดับ 3 บน Arena.ai leaderboard สำหรับ image model family ความเร็ว generate 2 เท่า ของเวอร์ชันก่อนหน้า ราคา $5 ต่อ 1M input tokens + $33 ต่อ 1M output tokens
ทำไมเรื่องนี้สำคัญกว่าที่เห็น
Microsoft มีความสัมพันธ์ลึกกับ OpenAI (ลงทุน 13+ พันล้าน USD, integrate GPT เข้า Windows/Office/Azure) — แต่ใน 12 เดือนที่ผ่านมาเห็นสัญญาณของการแยก stack ทีละน้อย:
- Recruit Mustafa Suleyman จาก Inflection ปี 2024
- เริ่ม MAI Superintelligence team
- เปิด Microsoft Foundry เป็น multi-model platform ไม่ผูกกับ OpenAI
- ปล่อย Phi-series, MAI-series ของตัวเอง
3 โมเดลใหม่นี้ไม่แข่งกับ GPT โดยตรง (ไม่ใช่ chat model) แต่เป็น modality ที่ OpenAI ยังไม่ได้เปิด API แบบ production (Voice, specialized transcription, high-quality image) — วาง Microsoft ให้เป็น ผู้ให้บริการ multimodal stack ที่สมบูรณ์ ในระดับ enterprise
มุมมอง AI Curator
ดูที่ตัวเลขให้ดี — MAI-Voice-1 ที่ generate 60 วินาทีใน 1 วินาทีคือ realtime factor 60x ซึ่งหมายความว่าบน GPU เดียวสามารถรองรับ concurrent stream เป็นร้อย นี่คือการออกแบบให้ scale ไม่ใช่ demo ที่เน้น quality บน benchmark เล็ก ๆ
สำหรับตลาดไทย ประเด็นที่น่าจับตา:
หนึ่ง — MAI-Transcribe-1 รองรับ 25 ภาษา — ข่าวไม่ระบุว่ามีภาษาไทยใน 25 อันดับนี้หรือไม่ ถ้ามี (และ WER < 5% สำหรับไทยซึ่งเป็นภาษาที่ transcribe ยาก) จะเปลี่ยนคุณภาพ voice-to-text ของ call center, meeting transcript, และ content creation ในไทยทั้งอุตสาหกรรม
สอง — ราคาเทียบกับ ElevenLabs และ OpenAI TTS — $22/1M characters ของ MAI-Voice-1 ถือว่าถูกกว่า ElevenLabs premium (~$99 ต่อเดือนเริ่มต้น) มาก และ custom voice จาก “ไม่กี่วินาที” เปิดโอกาสให้ startup ไทยสร้าง voice assistant ที่พูดสำเนียงเฉพาะ (เช่น อีสาน, เหนือ) ได้ประหยัด
สาม — implication เชิงกลยุทธ์ ถ้า Microsoft สามารถ bundle MAI models เข้า Microsoft 365 Copilot และ Azure OpenAI โดยไม่ต้องเรียก OpenAI API ทุกครั้ง — cost structure ของทั้ง ecosystem เปลี่ยนทันที ลูกค้า enterprise ไทยที่ใช้ Microsoft 365 อยู่แล้วจะได้ multimodal AI เกือบฟรีมาใน license เดิม — เปลี่ยน competitive landscape ของ SaaS ไทยทันที
แหล่งข่าว: Microsoft AI · Microsoft Community Hub · TechCrunch · VentureBeat
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service