Microsoft AI가 Ignite 2026에서 MAI Realtime 1을 공개했다. 회사의 첫 음성-음성(speech-to-speech) 모델로, 기업 현장의 실시간 대화를 겨냥한다. 기본 음성-음성 사용료는 오디오 분당 0.01달러부터다. 깊은 추론이 필요한 작업은 더 강력한 추론 엔진으로 넘기며, 이 부분은 토큰 단위로 따로 과금된다. 입력은 100만 토큰당 1달러, 출력은 5달러다.
이 모델은 OpenAI의 Realtime API와 호환된다. 이미 이 인터페이스에 맞춰 만든 애플리케이션은 이론상 접속 지점만 바꾸면 전환할 수 있다.

기능 목록과 출시 범위
Microsoft가 내세운 기능은 고객 응대와 콜센터에 치우쳐 있다. 사용자가 말을 끊을 수 있고, “음”, “네” 같은 맞장구를 적절한 타이밍에 넣으며(업계에서는 백채널링이라 부른다), 배경 소음에 강하고, 도구와 기업 시스템을 호출해 작업을 실행할 수 있으며, 프롬프트로 페르소나를 제어할 수 있다.
출시 경로는 여러 갈래다. 개발자는 MAI Labs에서 써 볼 수 있다. Microsoft Foundry에서는 신청이 필요한 제한적 프리뷰가 열렸고, 프리뷰 기간에는 무료이며 공개 프리뷰부터 과금이 시작된다. 제품 쪽에서는 Dynamics 365 Contact Center와 Dragon Copilot에 탑재될 예정인데, 후자는 간호사 교육을 위해 환자와의 대화를 모의하는 데 이 모델을 쓴다. Microsoft가 초기 사용자로 꼽은 곳은 여행 플랫폼 Agoda와 Reservations.ai다. 지원 언어, 음성 종류 수, 공개 프리뷰 시작 시점은 발표 페이지에 나와 있지 않다.
벤치마크 근거는 한 문장뿐
Microsoft의 원문은 다음과 같다.
"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"
(우리 모델은 품질, 속도, 가격 모두에서 GPT Realtime 2.1을 앞선다.)
이 주장을 뒷받침하는 것은 Big Bench Audio(음성 추론), τ-Voice(음성 에이전트 과업 완수), 그리고 Microsoft가 자체 구성한 Dynamics 365 고객 서비스 평가다. 발표 페이지는 MAI Realtime 1이 앞의 두 항목에서 “성능-가격 파레토 프런티어”에 있다고 밝혔다. 구체적인 점수, 테스트 구성, 지연 시간 수치는 하나도 제시하지 않았고, 각주에는 결과가 특정 평가 구성과 부하에 따라 달라진다는 내용만 적혀 있다. 현재로서는 외부에서 이 비교를 검증할 수 없다.
두 가지 구성 방식 비교
음성 에이전트의 흔한 구성은 3단계다. 먼저 음성을 텍스트로 바꾸고, 텍스트 대규모 언어 모델이 처리한 뒤, 마지막으로 음성을 합성한다. 세 단계를 직렬로 이으면 단계마다 지연이 쌓이고, 사용자가 중간에 끼어드는 상황도 다루기 어렵다. 엔드투엔드 음성-음성 모델은 중간의 받아쓰기 단계를 없앤다. OpenAI의 Realtime 시리즈가 이 길을 가고 있으며, Microsoft가 이번에 정면으로 맞붙은 셈이다.
MAI Realtime 1의 요금제는 두 가지를 분리했다. 기본 대화는 분 단위, 깊은 추론은 토큰 단위로 계산한다. 기업은 통화 시간으로 비용의 큰 부분을 먼저 추산하고, 복잡한 질문에 드는 추론 비용은 따로 더할 수 있어 콜센터에는 직관적이다. 다만 0.01달러라는 표시 가격이 통화 한 건의 전체 비용은 아니므로, 추론 호출이 많은 업무는 직접 측정해야 한다.
Microsoft의 제품 라인에 놓고 보면, 같은 주에 코딩 모델 MAI Code 2도 발표됐다. 음성이 더해지면서 Microsoft는 코딩, 고객 응대 음성, 파운데이션 모델 각 방향에서 자체 개발 모델을 갖추게 됐다. 출시 속도로 보면 OpenAI와의 관계에서 대체의 성격이 짙어지고 있다.
참고 출처: Microsoft AI 공식 블로그, CocoLoop, Ignite 2026 발표 자료. 오디오 분당 기본 요금, 추론 토큰 단가, 최초 탑재 제품을 대조했다.