Microsoft AI memperkenalkan MAI Realtime 1 saat Ignite 2026. Ini adalah model suara-ke-suara (speech-to-speech) pertama mereka, ditujukan untuk percakapan waktu nyata di lingkungan perusahaan. Penggunaan dasar suara-ke-suara dimulai dari $0,01 per menit audio. Untuk tugas yang membutuhkan penalaran mendalam, model menyerahkannya ke mesin penalaran yang lebih kuat, yang ditagih terpisah per token: $1 per satu juta token input dan $5 per satu juta token output.
Model ini kompatibel dengan Realtime API milik OpenAI. Aplikasi yang sudah dibuat dengan antarmuka tersebut, secara teori, bisa dialihkan hanya dengan mengganti titik akses.

Daftar kemampuan dan cakupan peluncuran
Kemampuan yang disebut Microsoft condong ke layanan pelanggan dan pusat panggilan: pengguna dapat menyela, model menyisipkan tanggapan singkat seperti “hmm” dan “baik” pada saat yang tepat (di industri disebut backchanneling), tahan terhadap bising latar, dapat memanggil alat dan sistem perusahaan untuk menjalankan tindakan, serta persona-nya dapat diatur lewat prompt.
Peluncurannya terbagi dalam beberapa jalur. Pengembang dapat mencobanya di MAI Labs. Microsoft Foundry membuka pratinjau terbatas yang memerlukan pendaftaran; selama pratinjau tidak dipungut biaya, dan penagihan baru dimulai pada pratinjau publik. Di sisi produk, model ini akan masuk ke Dynamics 365 Contact Center dan Dragon Copilot, yang terakhir memakainya untuk mensimulasikan percakapan pasien guna melatih perawat. Pengguna awal yang disebut Microsoft adalah platform perjalanan Agoda dan Reservations.ai. Bahasa apa saja yang didukung, berapa banyak pilihan suara, dan kapan pratinjau publik dimulai tidak tertulis di halaman pengumuman.
Klaim benchmark hanya satu kalimat
Kata-kata Microsoft sendiri:
"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"
(Model kami mengungguli GPT Realtime 2.1 dalam kualitas, kecepatan, dan harga.)
Klaim ini ditopang oleh Big Bench Audio (penalaran suara), τ-Voice (penyelesaian tugas agen suara) dan evaluasi layanan pelanggan Dynamics 365 milik Microsoft sendiri. Halaman pengumuman menyebut MAI Realtime 1 berada di “frontier Pareto kinerja-harga” pada dua yang pertama. Skor rinci, konfigurasi pengujian, dan angka latensi tidak diberikan sama sekali; catatan kaki hanya menyebut bahwa hasil bergantung pada konfigurasi evaluasi dan beban tertentu. Saat ini pihak luar belum dapat memverifikasi perbandingan tersebut.
Dua cara membangun agen suara
Arsitektur agen suara yang umum terdiri dari tiga tahap: suara ke teks, lalu diserahkan ke model bahasa besar berbasis teks, dan terakhir sintesis suara. Tiga tahap yang dirangkai berurutan menambah latensi di setiap tahap, dan pengguna yang menyela di tengah kalimat sulit ditangani. Model suara-ke-suara end-to-end menghapus tahap transkripsi di tengah. Seri Realtime dari OpenAI menempuh jalur ini, dan kali ini Microsoft menantangnya secara langsung.
Penetapan harga MAI Realtime 1 memisahkan dua hal: percakapan dasar dihitung per menit, penalaran mendalam dihitung per token. Perusahaan bisa lebih dulu memperkirakan porsi biaya terbesar dari durasi panggilan, lalu menghitung biaya penalaran untuk pertanyaan kompleks secara terpisah, yang cukup mudah dipahami bagi pusat panggilan. Konsekuensinya, harga utama $0,01 tidak sama dengan seluruh biaya satu panggilan, dan bisnis dengan banyak pemanggilan penalaran harus mengukurnya sendiri.
Jika dilihat dalam lini produk Microsoft, pada pekan yang sama mereka juga merilis model pemrograman MAI Code 2. Dengan hadirnya suara, Microsoft kini memiliki model buatan sendiri di bidang pemrograman, suara layanan pelanggan, dan model fondasi; dilihat dari ritme perilisan, unsur substitusi dalam hubungannya dengan OpenAI semakin besar.
Sumber: blog resmi Microsoft AI, CocoLoop, materi peluncuran Ignite 2026; dicek terhadap harga dasar per menit audio, harga token penalaran, dan produk pertama yang meluncur.