MAI-Image-2.5-Pro และ MAI-Voice-2-Flash คือ 2 โมเดลใหม่ที่…
MAI-Image-2.5-Pro เน้นคุณภาพสูงสุด จุดเด่นคือ render ข้อความในภาพได้แม่นยำ และเข้าใจคำสั่งแก้ภาพแบบภาษาธรรมชาติ ราคาคิดที่ 5 เหรียญต่อล้าน text input token 8 เหรียญต่อล้าน image input token และ 106 เหรียญต่อล้าน image output token ส่วน MAI-Voice-2-Flash เร็วกว่ารุ่นเดิม 2 เท่า ถูกกว่า 32% ราคา 15 เหรียญต่อล้านตัวอักษร แต่ยังคงคุณภาพเสียงธรรมชาติไว้ครบ
ที่ทำให้ผมเชื่อว่านี่ไม่ใช่แค่ตัวเลข benchmark คือมันรันจริงในโปรดักต์ที่คนใช้กันทุกวันแล้ว Bing Image Creator เปลี่ยนมาใช้ MAI-Image-2.5 เต็มระบบ PowerPoint ใช้ image-to-image ลด GPU cost ลง 84% เทียบกับ GPT-Image-2 ส่วน OneDrive เพิ่ม save rate ของฟีเจอร์แก้ภาพขึ้น 26% และลด latency ลงประมาณ 25%
ฝั่งเสียงก็ใช้จริงเช่นกัน Dynamics 365 Contact Center ที่ลูกค้าอย่าง T-Mobile และ EasyJet ใช้อยู่ เปลี่ยนมาใช้ MAI-Voice-2-Flash ลด GPU cost ลง 89% และยังมี Dragon Copilot ระบบที่หมอกว่า 170,000 คนใช้ ประมวลผล 28 ล้าน patient encounters ต่อไตรมาส เปลี่ยนมาใช้ MAI-Transcribe-1.5 รองรับ 58 ภาษา ลด error rate การถอดเสียงลงถึง 50%
ผมมองว่านี่คือสัญญาณว่า Microsoft จริงจังกับการมีโมเดลของตัวเองมากขึ้นเรื่อยๆ ไม่ได้พึ่งพาโมเดลจากพาร์ทเนอร์อย่างเดียวอีกต่อไป
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac