微软发布首款语音对语音模型 MAI Realtime 1,每分钟 0.01 美元

原标题:微软首款语音对语音模型:MAI Realtime 1 登场,起价每分钟 0.01 美元
78AI 研判分

微软在 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,定位企业级实时语音 AI,可处理打断、快速确认等自然对话细节,并能在嘈杂或多人说话环境中理解请求。基础语音使用费为每分钟 0.01 美元,涉及推理时按 token 另行计费,微软称其在质量、速度和价格上均优于 GPT Realtime 2.1。该模型兼容 OpenAI Realtime API,已获 Agoda 等企业试用,并计划接入 Dynamics 365 客服与 Dragon Copilot。

报道正文

IT之家 11 月 18 日消息,在昨日(11 月 17 日)召开的 Ignite 2026 大会上,微软宣布其首款语音对语音模型 MAI Realtime 1,定位为面向真实企业场景的实时语音 AI。该模型可处理打断、快速确认和等待对方说完等自然对话细节,并能在嘈杂环境或多人同时说话时理解用户请求。

微软首款语音对语音模型:MAI Realtime 1 登场,起价每分钟 0.01 美元

价格方面,微软称该模型基础语音对语音使用费为每音频分钟 0.01 美元(IT之家注:现汇率约合 0.067 元人民币);若涉及推理,则按每百万输入 token 1 美元(现汇率约合 6.7 元人民币)、每百万输出 token 5 美元(现汇率约合 33.4 元人民币)另行计费。

微软表示 MAI Realtime 1 不仅可实时回应语音,还能在任务需要更深入思考时调用更强的推理引擎,并连接企业系统与工具,完成预订、客服处理等复杂操作;开发者为了适配不同客户和行业,还通过提示词调整其语气、风格和行为。

微软表示,在公开基准测试及内部产品评估中,MAI Realtime 1 在质量、速度和价格上均优于 GPT Realtime 2.1,并在 Big Bench Audio 语音推理和 Tau-Voice 智能体任务完成基准上处于“性能 — 价格”前沿。

微软首款语音对语音模型:MAI Realtime 1 登场,起价每分钟 0.01 美元

微软首款语音对语音模型:MAI Realtime 1 登场,起价每分钟 0.01 美元

微软公布的测试数据显示,MAI Realtime 1 在 Big Bench Audio 上取得 98.9% 的准确率,每小时输入音频成本约为 1.35 美元(现汇率约合 9 元人民币);相比之下,GPT-Realtime-2 High 为 96.6%、每小时 4.14 美元(现汇率约合 27.7 元人民币),Grok Voice 2.0 为 97.2%、每小时 4.80 美元(现汇率约合 32.1 元人民币)。

该模型已兼容 OpenAI Realtime API,便于开发者测试和迁移现有语音应用。Agoda、Reservations.ai 等公司已开始试用。

微软还计划将其用于 Dynamics 365 Contact Center 客服场景,以及 Dragon Copilot 中的 AI 模拟患者对话,帮助护士练习临床沟通。