微軟首個語音對語音模型,每分鐘 0.01 美元

微軟 AI 在 Ignite 2026 期間發表 MAI Realtime 1,這是它的第一個語音對語音模型,鎖定企業內的即時對話場景。基礎的語音對語音用量每音訊分鐘 0.01 美元起;遇到需要深度推理的任務,模型會轉交給更強的推理引擎,這部分另按 token 計費,每百萬輸入 token 1 美元、輸出 5 美元。

模型相容 OpenAI 的 Realtime API。已經依這套介面寫好的應用程式,理論上只要換個連接端點就能切過來。

示意图:声波连接耳麦和对话气泡并分出推理支路,象征微软实时语音AI

功能清單與上線範圍

微軟列出的功能偏向客服和客服中心:使用者可以隨時打斷,會適時穿插「嗯」「好的」這類回應(業界稱為 backchanneling),能抵抗背景噪音,可以呼叫工具和企業系統來執行操作,還能透過提示詞控制角色設定。

上線分成幾條路。開發者可以在 MAI Labs 試用;Microsoft Foundry 開放了限量預覽,需要申請,預覽期間不收費,到公開預覽才開始計費。產品面上,模型將進入 Dynamics 365 Contact Center 和 Dragon Copilot,後者用它模擬病人對話來訓練護理師。微軟點名的早期用戶有旅遊平台 Agoda 和 Reservations.ai。支援哪些語言、有多少種音色、公開預覽何時開始,發表頁都沒有寫。

跑分只有一句話

微軟的原話是:

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

(我們的模型在品質、速度和價格上都優於 GPT Realtime 2.1。)

支撐這句話的是 Big Bench Audio(語音推理)、τ-Voice(語音代理任務完成)和微軟自家的 Dynamics 365 客服評測,發表頁稱 MAI Realtime 1 在前兩項上位於「效能與價格的柏拉圖前緣」。具體分數、測試配置和延遲數字,頁面一個都沒給,註腳只寫了結果取決於特定的評測配置和負載。外界目前無從查證這組比較。

橫向比較兩種架構

語音代理常見的架構是三段式:先把語音轉成文字,再交給文字大型語言模型,最後合成語音。三段串聯,每一段都會疊加延遲,使用者中途插話也不好處理。端對端的語音對語音模型省掉中間的轉寫環節,OpenAI 的 Realtime 系列走的就是這條路,微軟這次正面對標。

MAI Realtime 1 的計價把兩件事拆開:基礎對話按分鐘計,深度推理按 token 計。企業可以先依通話時間估出大頭,複雜問題的推理費用再另外計算,對客服中心來說比較直觀。代價是 0.01 美元的標題價並不等於一通電話的全部成本,推理呼叫多的業務得自己實測。

放回微軟的產品線來看,同一週它還發表了程式設計模型 MAI Code 2。語音補上之後,微軟在程式設計、客服語音和基礎模型幾個方向都有了自研型號;從發表節奏看,它與 OpenAI 的關係中,取代的成分愈來愈多。

參考來源:Microsoft AI 官方部落格、CocoLoop、Ignite 2026 發表資料;核對每音訊分鐘基礎價、推理 token 單價與首批上線產品。