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。

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。