微软发布 MAI Realtime 1:每音频分钟 0.01 美元,能被打断会打电话
在昨日(11 月 17 日)的 Ignite 2026 大会上,微软发布首款语音对语音模型 MAI Realtime 1,主打真实企业场景。它能处理打断、快速确认、等对方说完等对话细节,嘈杂环境或多人同时说话时也能听懂请求。任务需要深想时还能调用更强推理引擎,连接企业系统完成预订、客服处理等操作,语
11 月 17 日的 Ignite 2026 大会上,微软推出自家首款语音对语音模型 MAI Realtime 1,瞄准的是真实企业场景。被打断、快速确认、等对方把话说完,这些对话里的细节它都能应付;环境嘈杂或者几个人同时开口,它照样能听清请求。任务需要深入思考时,它可以调用更强的推理引擎,接上企业系统去完成预订、客服处理之类的操作。语气和风格还能用提示词来调。

价格才是真正的杀招:基础语音对语音服务每音频分钟 0.01 美元,牵扯到推理的部分另算,每百万输入 token 1 美元、输出 5 美元。横向比更直观。Big Bench Audio 基准上,MAI Realtime 1 准确率 98.9%,每小时输入音频成本约 1.35 美元;GPT-Realtime-2 High 是 96.6%,每小时 4.14 美元;Grok Voice 2.0 为 97.2%,每小时 4.80 美元。三者都处在“性能—价格”前沿。
它先在自己家上岗。兼容 OpenAI
Realtime API,意味着开发者可以把现有语音应用顺手迁过来,Agoda、Reservations.ai 等已经开始试用。微软还打算把它放进 Dynamics 365 客服中心,并让它在 Dragon Copilot 里扮演 AI 模拟患者,帮护士练临床沟通。自研语音这块拼图补上后,微软又少了一处要看别人脸色的环节。