El primer modelo de voz de Microsoft cuesta 0,01 dólares por minuto

Microsoft AI presentó MAI Realtime 1 durante Ignite 2026. Es su primer modelo de voz a voz (speech-to-speech), pensado para conversaciones en tiempo real en entornos empresariales. El uso básico de voz a voz cuesta desde 0,01 dólares por minuto de audio; cuando una tarea exige razonamiento profundo, el modelo la deriva a un motor de razonamiento más potente, que se factura aparte por tokens: 1 dólar por millón de tokens de entrada y 5 dólares por millón de tokens de salida.

El modelo es compatible con la Realtime API de OpenAI. En teoría, las aplicaciones ya escritas para esa interfaz podrían pasarse al nuevo modelo con solo cambiar el punto de acceso.

Illustration: a wave links a headset and speech bubble, with a reasoning branch for Microsoft's real-time voice AI

Funciones y alcance del lanzamiento

Las funciones que enumera Microsoft se orientan a la atención al cliente y los centros de llamadas: el usuario puede interrumpir al modelo, que intercala en el momento oportuno respuestas como “ajá” o “vale” (lo que el sector llama backchanneling), resiste el ruido de fondo, llama a herramientas y sistemas corporativos para ejecutar acciones y permite controlar la personalidad mediante prompts.

La disponibilidad se reparte por varias vías. Los desarrolladores pueden probarlo en MAI Labs; Microsoft Foundry abrió una vista previa limitada, con solicitud previa, sin coste durante esa fase y con cobro solo a partir de la vista previa pública. En el terreno de producto, el modelo llegará a Dynamics 365 Contact Center y a Dragon Copilot, que lo usa para simular conversaciones con pacientes y formar a enfermeros. Entre los primeros usuarios que Microsoft menciona están la plataforma de viajes Agoda y Reservations.ai. Qué idiomas admite, cuántas voces ofrece y cuándo empieza la vista previa pública no figura en la página del anuncio.

Las pruebas de rendimiento se reducen a una frase

La frase original de Microsoft es:

"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"

(Nuestro modelo supera a GPT Realtime 2.1 en calidad, velocidad y precio.)

La afirmación se apoya en Big Bench Audio (razonamiento por voz), τ-Voice (finalización de tareas por agentes de voz) y la evaluación de atención al cliente de Dynamics 365 elaborada por la propia Microsoft. La página sostiene que MAI Realtime 1 se sitúa en la “frontera de Pareto entre rendimiento y precio” en las dos primeras. No ofrece puntuaciones concretas, configuraciones de prueba ni cifras de latencia; la nota al pie solo indica que los resultados dependen de configuraciones de evaluación y cargas específicas. Desde fuera, por ahora no es posible verificar esta comparación.

Dos arquitecturas frente a frente

La arquitectura habitual de los agentes de voz tiene tres etapas: primero de voz a texto, luego un modelo de lenguaje de texto y, por último, la síntesis de voz. Al encadenarse las tres, cada una suma latencia, y las interrupciones del usuario a mitad de frase son difíciles de gestionar. Un modelo de voz a voz de extremo a extremo se ahorra la transcripción intermedia; la serie Realtime de OpenAI va por ese camino, y Microsoft se coloca ahora justo enfrente.

La tarifa de MAI Realtime 1 separa dos cosas: la conversación básica se cobra por minuto y el razonamiento profundo por token. Las empresas pueden estimar la mayor parte del coste según la duración de las llamadas y calcular aparte el razonamiento de los casos complejos, algo bastante intuitivo para un centro de llamadas. La contrapartida es que el precio de escaparate de 0,01 dólares no equivale al coste total de una llamada; quien haga muchas llamadas de razonamiento tendrá que medirlo por su cuenta.

Dentro de la gama de productos de Microsoft, esa misma semana también presentó el modelo de programación MAI Code 2. Con la voz ya cubierta, Microsoft tiene modelos propios en programación, voz para atención al cliente y modelos de base; por el ritmo de lanzamientos, el componente de sustitución en su relación con OpenAI va en aumento.

Fuentes: blog oficial de Microsoft AI, CocoLoop, materiales del anuncio de Ignite 2026; se comprobaron el precio base por minuto de audio, el precio de los tokens de razonamiento y los primeros productos que lo incorporan.