微软 AI 在 Ignite 2026 期间发布 MAI Realtime 1,这是它的第一个语音到语音模型,面向企业里的实时对话场景。基础的语音到语音用量每音频分钟 0.01 美元起;遇到需要深度推理的任务,模型会转交给更强的推理引擎,这部分另按 token 计费,每百万输入 token 1 美元、输出 5 美元。
模型兼容 OpenAI 的 Realtime API。已经按这套接口写好的应用,理论上换个接入点就能切过来。

能力清单与上线范围
微软列出的能力偏向客服和呼叫中心:能被用户打断,会适时插入“嗯”“好的”这类回应(业内叫 backchanneling),抗背景噪音,能调用工具和企业系统执行操作,还能通过提示词控制人设。
上线分几路。开发者可以在 MAI Labs 试用;Microsoft Foundry 开了限量预览,需要申请,预览期间不收费,到公开预览才开始计费。产品侧,模型将进入 Dynamics 365 Contact Center 和 Dragon Copilot,后者用它模拟病人对话来培训护士。微软点名的早期用户有旅游平台 Agoda 和 Reservations.ai。支持哪些语言、有多少种音色、公开预览什么时候开始,发布页都没写。
跑分只有一句话
微软的原话是:
“Our model outperforms GPT Realtime 2.1 on quality, speed, and price” (我们的模型在质量、速度和价格上都优于 GPT Realtime 2.1。)
支撑这句话的是 Big Bench Audio(语音推理)、τ-Voice(语音智能体任务完成)和微软自己的 Dynamics 365 客服评测,发布页称 MAI Realtime 1 在前两项上处于“性能-价格帕累托前沿”。具体分数、测试配置和延迟数字,页面一个都没给,脚注只写了结果取决于特定评测配置和负载。外界目前无法核实这组对比。
横向看两种搭法
语音智能体常见的搭法是三段式:先语音转文字,再交给文本大模型,最后合成语音。三段串联,每一段都会叠加延迟,用户中途插话也难处理。端到端的语音到语音模型省掉中间的转写环节,OpenAI 的 Realtime 系列走的就是这条路,微软这次正面对标。
MAI Realtime 1 的计价把两件事拆开:基础对话按分钟计,深度推理按 token 计。企业可以先按通话时长估出大头,复杂问题的推理费用再单算,对呼叫中心比较直观。代价是 0.01 美元的标题价并不等于一通电话的全部成本,推理调用多的业务得自己测。
放回微软的产品线看,同一周它还发布了编码模型 MAI Code 2。语音补上之后,微软在编程、客服语音和基础模型几个方向都有了自研型号;从发布节奏看,它与 OpenAI 的关系里,替代的成分在变多。
参考来源:Microsoft AI 官方博客、CocoLoop、Ignite 2026 发布材料;核对每音频分钟基础价、推理 token 单价与首批上线产品。