Le premier modèle vocal de Microsoft coûte 0,01 dollar la minute

Microsoft AI a dévoilé MAI Realtime 1 à l'occasion d'Ignite 2026. C'est son premier modèle voix-à-voix (speech-to-speech), destiné aux conversations en temps réel en entreprise. L'usage de base en voix-à-voix est facturé à partir de 0,01 dollar par minute d'audio ; lorsqu'une tâche exige un raisonnement poussé, le modèle la confie à un moteur de raisonnement plus puissant, facturé à part au token : 1 dollar par million de tokens en entrée et 5 dollars par million de tokens en sortie.

Le modèle est compatible avec l'API Realtime d'OpenAI. En théorie, les applications déjà écrites pour cette interface peuvent basculer en changeant simplement de point d'accès.

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

Fonctions et périmètre du lancement

Les capacités mises en avant par Microsoft s'orientent vers le service client et les centres d'appels : l'utilisateur peut interrompre le modèle, qui glisse au bon moment des réponses comme « mm-hmm » ou « d'accord » (ce que le secteur appelle le backchanneling), résiste au bruit de fond, appelle des outils et des systèmes d'entreprise pour exécuter des actions, et permet de piloter la personnalité par prompt.

Le déploiement passe par plusieurs voies. Les développeurs peuvent l'essayer dans MAI Labs ; Microsoft Foundry ouvre un aperçu limité, sur demande, gratuit pendant cette phase et facturé seulement à partir de l'aperçu public. Côté produits, le modèle arrivera dans Dynamics 365 Contact Center et Dragon Copilot, ce dernier s'en servant pour simuler des conversations avec des patients afin de former des infirmiers. Parmi les premiers utilisateurs cités par Microsoft figurent la plateforme de voyage Agoda et Reservations.ai. Les langues prises en charge, le nombre de voix et la date de début de l'aperçu public ne figurent pas sur la page d'annonce.

Les performances tiennent en une phrase

La phrase originale de Microsoft est la suivante :

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

(Notre modèle surpasse GPT Realtime 2.1 en qualité, en vitesse et en prix.)

Cette affirmation s'appuie sur Big Bench Audio (raisonnement vocal), τ-Voice (réalisation de tâches par des agents vocaux) et sur l'évaluation du service client Dynamics 365 menée par Microsoft elle-même. La page indique que MAI Realtime 1 se situe sur la « frontière de Pareto performance-prix » pour les deux premiers. Aucun score précis, aucune configuration de test ni aucun chiffre de latence n'est fourni ; la note de bas de page précise seulement que les résultats dépendent de configurations d'évaluation et de charges spécifiques. De l'extérieur, cette comparaison ne peut pas être vérifiée pour l'instant.

Deux architectures face à face

L'architecture courante des agents vocaux comporte trois étages : d'abord la transcription de la voix en texte, puis un modèle de langage textuel, enfin la synthèse vocale. Mises bout à bout, les trois étapes cumulent leur latence, et les interruptions de l'utilisateur en cours de phrase sont difficiles à gérer. Un modèle voix-à-voix de bout en bout supprime l'étape intermédiaire de transcription ; la gamme Realtime d'OpenAI suit cette voie, et Microsoft la défie cette fois frontalement.

La tarification de MAI Realtime 1 sépare deux choses : la conversation de base est facturée à la minute, le raisonnement poussé au token. Les entreprises peuvent estimer l'essentiel du coût d'après la durée des appels, puis calculer à part le raisonnement des cas complexes, ce qui est assez lisible pour un centre d'appels. En contrepartie, le prix d'appel de 0,01 dollar ne représente pas le coût total d'un appel ; les activités qui sollicitent beaucoup le raisonnement devront mesurer elles-mêmes.

Replacé dans la gamme de Microsoft, le groupe a présenté la même semaine le modèle de programmation MAI Code 2. Avec la voix désormais couverte, Microsoft dispose de modèles maison en programmation, en voix pour le service client et en modèles de fondation ; au vu du rythme des lancements, la part de substitution dans sa relation avec OpenAI augmente.

Sources : blog officiel de Microsoft AI, CocoLoop, documents d'annonce d'Ignite 2026 ; ont été vérifiés le prix de base par minute d'audio, le prix des tokens de raisonnement et les premiers produits concernés.