Microsoft AI đã công bố MAI Realtime 1 trong khuôn khổ Ignite 2026. Đây là mô hình speech-to-speech (giọng nói sang giọng nói) đầu tiên của hãng, nhắm tới các tình huống hội thoại thời gian thực trong doanh nghiệp. Mức dùng speech-to-speech cơ bản có giá từ 0,01 USD mỗi phút âm thanh; với những tác vụ cần suy luận sâu, mô hình sẽ chuyển giao cho một công cụ suy luận mạnh hơn, phần này tính phí riêng theo token: 1 USD cho mỗi triệu token đầu vào và 5 USD cho mỗi triệu token đầu ra.
Mô hình tương thích với Realtime API của OpenAI. Về lý thuyết, những ứng dụng đã viết theo bộ giao diện này chỉ cần đổi điểm truy cập là có thể chuyển sang.

Danh sách tính năng và phạm vi triển khai
Các tính năng Microsoft liệt kê thiên về chăm sóc khách hàng và tổng đài: người dùng có thể ngắt lời, mô hình biết chen vào những phản hồi như “ừm”, “vâng” đúng lúc (trong ngành gọi là backchanneling), chịu được tiếng ồn nền, gọi được công cụ và hệ thống doanh nghiệp để thực hiện thao tác, đồng thời cho phép điều khiển persona (vai diễn) bằng prompt.
Việc triển khai chia thành nhiều hướng. Nhà phát triển có thể dùng thử trên MAI Labs; Microsoft Foundry mở bản xem trước giới hạn, cần đăng ký, không tính phí trong giai đoạn xem trước và chỉ bắt đầu thu phí khi chuyển sang xem trước công khai. Về phía sản phẩm, mô hình sẽ được đưa vào Dynamics 365 Contact Center và Dragon Copilot; Dragon Copilot dùng nó để mô phỏng hội thoại với bệnh nhân nhằm đào tạo điều dưỡng. Những khách hàng đầu tiên được Microsoft nêu tên gồm nền tảng du lịch Agoda và Reservations.ai. Mô hình hỗ trợ những ngôn ngữ nào, có bao nhiêu giọng, và khi nào bắt đầu xem trước công khai đều không được nêu trong trang thông báo.
Phần điểm chuẩn chỉ có một câu
Nguyên văn của Microsoft là:
"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"
(Mô hình của chúng tôi vượt GPT Realtime 2.1 về chất lượng, tốc độ và giá.)
Câu này dựa trên Big Bench Audio (suy luận bằng giọng nói), τ-Voice (hoàn thành tác vụ của tác tử giọng nói) và bộ đánh giá chăm sóc khách hàng Dynamics 365 do chính Microsoft xây dựng. Trang thông báo cho biết MAI Realtime 1 nằm trên “biên Pareto giữa hiệu năng và giá” ở hai bài đầu. Điểm số cụ thể, cấu hình thử nghiệm và số liệu độ trễ đều không được công bố; chú thích chỉ ghi rằng kết quả phụ thuộc vào cấu hình đánh giá và tải cụ thể. Hiện bên ngoài chưa có cách kiểm chứng bộ so sánh này.
So sánh hai cách xây dựng
Cách xây dựng tác tử giọng nói phổ biến là ba chặng: trước hết chuyển giọng nói thành văn bản, rồi giao cho mô hình ngôn ngữ văn bản, cuối cùng tổng hợp thành giọng nói. Ba chặng nối tiếp khiến độ trễ cộng dồn ở từng khâu, và việc người dùng chen ngang giữa chừng cũng khó xử lý. Mô hình speech-to-speech đầu cuối bỏ khâu phiên âm ở giữa; dòng Realtime của OpenAI đi theo hướng này, và lần này Microsoft đối đầu trực diện.
Cách tính giá của MAI Realtime 1 tách hai việc: hội thoại cơ bản tính theo phút, suy luận sâu tính theo token. Doanh nghiệp có thể ước tính phần lớn chi phí dựa trên thời lượng cuộc gọi, còn phí suy luận cho các vấn đề phức tạp tính riêng, điều này khá trực quan với tổng đài. Cái giá phải trả là mức giá niêm yết 0,01 USD không bằng toàn bộ chi phí của một cuộc gọi; những nghiệp vụ gọi suy luận nhiều thì phải tự đo.
Đặt vào dòng sản phẩm của Microsoft, cùng tuần này hãng còn ra mắt mô hình lập trình MAI Code 2. Sau khi bổ sung giọng nói, Microsoft đã có mô hình tự phát triển ở nhiều hướng: lập trình, giọng nói chăm sóc khách hàng và mô hình nền tảng; xét theo nhịp phát hành, thành phần thay thế trong quan hệ với OpenAI đang nhiều lên.
Nguồn tham khảo: blog chính thức của Microsoft AI, CocoLoop, tài liệu công bố Ignite 2026; đã đối chiếu giá cơ bản mỗi phút âm thanh, đơn giá token suy luận và các sản phẩm ra mắt đợt đầu.