微软MAI Realtime 1发布:语音对语音模型价格仅对手三分之一
微软在 Ignite 2026 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,嘈杂或多人同时说话时也能听懂请求;需深度思考时可调用更强推理引擎,连接企业系统完成预订、客服等操作,语气风格可用提示词调教。价格是重头,基础语音对语音使用费按音频计,定价
11 月 17 日的 Ignite 2026 大会上,微软亮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。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。遇到需要深入思考的任务,它还能调用更强的推理引擎,连上企业系统去完成预订、客服处理之类操作,语气风格也能靠提示词调。

价格这块,微软直接把桌子掀了。纯语音对语音用下来,每音频分钟只要 0.01 美元;要是牵扯推理,则按每百万输入 token 1 美元、输出 5 美元另算。放到 Big Bench Audio 基准上看更直观:它拿到 98.9% 的准确率,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,三者正处在“性能—价格”前沿上。
落地先从微软自己家里开始。由于兼容 OpenAI
Realtime API,开发者把现有语音应用迁过来并不费劲,Agoda、Reservations.ai 等已经动手试用。微软还打算把它放进 Dynamics 365 客服中心,并让它在 Dragon Copilot 里扮 AI 模拟患者,陪护士练临床沟通。自研的语音拼图补齐之后,微软又少了一个要看别人脸色的环节。