微软发布首款语音对语音模型 MAI Realtime 1:主打企业场景,基础价格每音频分钟0.01美元
微软在 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,面向真实企业场景,支持处理打断、快速确认、等待对方说完,并可在复杂任务中调用更强推理引擎、连接企业系统完成操作;基础语音对语音费用为每音频分钟0.01美元,涉及推理另行计费。
海宇数科 · 事件日期 · 约 2 分钟 · 0 次阅读

在11月17日举行的 Ignite 2026 大会上,微软推出了其首款语音对语音模型 MAI Realtime 1,定位是面向真实企业场景。按照发布信息,该模型能够处理对话中的打断,可以快速做出确认,也能等对方把话说完;在嘈杂环境或多人同时说话的情况下,它仍能听懂请求。遇到需要深入处理的任务时,模型可调用更强的推理引擎,并可连接企业系统,用于完成预订、客服处理等操作。其语气风格支持通过提示词调整。

价格方面,基础语音对语音费用为每音频分钟0.01美元,涉及推理时另行计费;推理部分输入为每百万 token 1美元,输出为每百万 token 5美元。按每小时输入音频计算,成本约为1.35美元。微软同时给出准确率数据:Big Bench Audio 上 MAI Realtime 1 为98.9%。对照来看,GPT-Realtime-2 High 准确率为96.6%,每小时成本4.14美元;Grok Voice 2.0 准确率为97.2%,每小时成本4.80美元。
MAI Realtime 1 兼容 OpenAI Realtime API,开发者可将现有语音应用迁移过来。Agoda 与 Reservations.ai 已开始试用。微软还计划将该模型引入 Dynamics 365 客服中心,并在 Dragon Copilot 中用于模拟患者,供护士练习临床沟通。
