A Microsoft AI apresentou o MAI Realtime 1 durante o Ignite 2026. É o primeiro modelo speech-to-speech (de voz para voz) da empresa, voltado a conversas em tempo real no ambiente corporativo. O uso básico de speech-to-speech custa a partir de US$ 0,01 por minuto de áudio; quando a tarefa exige raciocínio profundo, o modelo transfere o caso a um mecanismo de raciocínio mais potente, cobrado à parte por token: US$ 1 por milhão de tokens de entrada e US$ 5 por milhão de tokens de saída.
O modelo é compatível com a Realtime API da OpenAI. Em teoria, aplicativos já escritos para essa interface podem migrar apenas trocando o ponto de acesso.

Recursos e abrangência do lançamento
Os recursos listados pela Microsoft miram o atendimento ao cliente e os call centers: o usuário pode interromper o modelo, que insere no momento certo respostas como “hum” e “certo” (o que o setor chama de backchanneling), resiste a ruído de fundo, aciona ferramentas e sistemas corporativos para executar ações e permite definir a persona por meio de prompts.
A disponibilização segue vários caminhos. Desenvolvedores podem testar no MAI Labs; o Microsoft Foundry abriu uma prévia limitada, com solicitação de acesso, sem cobrança durante a prévia e com tarifação apenas a partir da prévia pública. No lado dos produtos, o modelo chegará ao Dynamics 365 Contact Center e ao Dragon Copilot, que o usa para simular conversas com pacientes e treinar enfermeiros. Entre os primeiros usuários citados pela Microsoft estão a plataforma de viagens Agoda e a Reservations.ai. Quais idiomas são suportados, quantas vozes existem e quando começa a prévia pública não consta na página de lançamento.
O comparativo de desempenho cabe em uma frase
A frase original da Microsoft é:
"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"
(Nosso modelo supera o GPT Realtime 2.1 em qualidade, velocidade e preço.)
A afirmação se apoia no Big Bench Audio (raciocínio por voz), no τ-Voice (conclusão de tarefas por agentes de voz) e na avaliação de atendimento do Dynamics 365 feita pela própria Microsoft. A página afirma que o MAI Realtime 1 está na “fronteira de Pareto entre desempenho e preço” nos dois primeiros testes. Pontuações específicas, configurações de teste e números de latência não aparecem em lugar nenhum; a nota de rodapé apenas diz que os resultados dependem de configurações de avaliação e cargas específicas. Por ora, não há como verificar esse comparativo de fora.
Duas arquiteturas lado a lado
A arquitetura mais comum para agentes de voz tem três etapas: primeiro a conversão de voz em texto, depois um modelo de linguagem de texto e, por fim, a síntese de voz. Com as três em série, cada etapa soma latência, e interrupções do usuário no meio da fala são difíceis de tratar. Um modelo speech-to-speech de ponta a ponta elimina a transcrição intermediária; a linha Realtime da OpenAI segue esse caminho, e a Microsoft agora a enfrenta de frente.
A tarifação do MAI Realtime 1 separa duas coisas: a conversa básica é cobrada por minuto, o raciocínio profundo por token. A empresa pode estimar a maior parte do custo pela duração das chamadas e calcular à parte o raciocínio dos casos complexos, o que é bastante intuitivo para call centers. O preço a pagar é que o valor de US$ 0,01 de vitrine não equivale ao custo total de uma ligação; quem faz muitas chamadas de raciocínio precisa medir por conta própria.
Na linha de produtos da Microsoft, na mesma semana a empresa lançou também o modelo de programação MAI Code 2. Com a voz agora completa, a Microsoft tem modelos próprios em programação, voz para atendimento e modelos de base; pelo ritmo dos lançamentos, o componente de substituição na relação com a OpenAI vem crescendo.
Fontes: blog oficial da Microsoft AI, CocoLoop, materiais de divulgação do Ignite 2026; conferidos o preço-base por minuto de áudio, o preço dos tokens de raciocínio e os primeiros produtos a receber o modelo.