微软发布 MAI Realtime 1:语音对语音每分钟 0.01 美元起,兼容 OpenAI 实时 API
据 IT之家 11 月 18 日报道,微软在 11 月 17 日举行的 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,面向企业实时语音交互场景。微软给出的基础语音使用价格为每音频分钟 0.01 美元;模型还可按任务需要调用更强的推理引擎,并连接企业工具,处理预订、客服等业务。
不只回答问题,还要理解对话节奏
企业语音助手的难点,往往不只是识别一句话,而是判断什么时候该回应、什么时候该等待。来源显示,MAI Realtime 1 可处理用户打断、快速确认、等待对方说完等对话细节,也能在嘈杂环境或多人同时说话时理解请求。
微软将其定位为能够执行任务的实时语音 AI:简单请求可以直接回应,遇到需要深入思考的任务则调用推理能力,再通过企业系统与工具完成操作。开发者还可借助提示词调整语气、风格和行为,以适配不同客户与行业需求。
- 基础语音对语音费用:每音频分钟 0.01 美元。
- 涉及推理时另行计费:每百万输入 token 1 美元,每百万输出 token 5 美元。
- 已兼容 OpenAI Realtime API,便于现有语音应用测试与迁移。
- Agoda、Reservations.ai 等公司已开始试用。
微软公布基准成绩,成本比较需看口径
微软表示,在公开基准测试和内部产品评估中,MAI Realtime 1 的质量、速度和价格均优于 GPT Realtime 2.1,并称其在 Big Bench Audio 语音推理及 Tau-Voice 智能体任务完成基准上处于“性能—价格”前沿。这些比较目前应视为微软公布的测试结果,不能直接等同于所有业务场景的实际表现。
在微软披露的 Big Bench Audio 数据中,MAI Realtime 1 准确率为 98.9%,每小时输入音频成本约 1.35 美元;GPT-Realtime-2 High 对应为 96.6% 和 4.14 美元,Grok Voice 2.0 则为 97.2% 和 4.80 美元。这里的基准成本与基础语音分钟价属于不同口径,企业评估预算时还需考虑推理调用与具体任务流程。
产业解读:语音 AI 竞争转向业务闭环
MAI Realtime 1 的看点,是把自然对话、推理调用与工具执行放进同一套交互流程。对企业而言,语音助手是否有价值,不仅取决于回答是否流畅,还取决于能否正确理解意图、调用系统并完成任务。兼容现有实时 API 有助于降低测试和迁移门槛,但并不意味着接入后就能省去业务验证。
微软计划将该模型用于 Dynamics 365 Contact Center 客服场景,以及 Dragon Copilot 的 AI 模拟患者对话,帮助护士练习临床沟通。这些方向显示,实时语音模型正从通用演示走向具体岗位。对中文开发者和企业团队来说,值得继续关注的是中文对话效果、行业术语识别、工具执行可靠性与完整使用成本;来源尚未披露这些方面的详细验证结果。