微软首款语音对语音模型 MAI Realtime 1 登场:起价每音频分钟 0.01 美元

多模态 2026-11-18 13 0

11 月 17 日,微软在 Ignite 2026 大会上宣布推出旗下首款语音对语音实时模型 MAI Realtime 1,定位面向真实企业场景的实时语音 AI。官方称,在公开基准测试与微软内部产品评估中,该模型在质量、速度和价格三项上均优于 GPT Realtime 2.1,基础语音对语音使用费低至每音频分钟 0.01 美元,约合人民币 0.067 元。开发者目前已可在 MAI Labs 中试用,Foundry 限量预览同步开放注册,预览客户在公开预览开始前不会被计费。

语音进、语音出:S2S 架构省掉了什么

拍的是 MAI Realtime 1 语音到语音单模型架构示意深色卡片(自绘) + 对应正文「语音进、语音出:S2S 架构」

长期以来,大多数语音助手走的是「三段式」管线:语音识别先把声音转成文字,大语言模型理解文字并生成回复,语音合成再把文字念出来。链路一长,延迟层层叠加,语气、停顿、抢话这类对话细节也容易在转写环节丢失,听起来总有几分「读稿感」。MAI Realtime 1 采用的正是语音到语音的单模型路线:语音直接进、语音直接出,中间不再绕道文字,这也是微软官方强调的「首款语音对语音模型」的含金量所在。

按官方说法,把一个语音智能体做到「真人愿意跟它聊」,光有好听的声音远远不够,还需要对话、智能与执行同时在线。MAI Realtime 1 的能力可以拆成五点:

  • 自然对话:能处理打断、跟上快速确认,并知道什么时候该等对方把话说完;
  • 自适应智能:日常对话实时流畅回应,任务需要更深入思考时,会调用更强的推理引擎给出答案,而不让对话陷入尴尬的停顿;
  • 鲁棒理解:在嘈杂环境或多人同时说话的场景下,依然能听懂用户的请求;
  • 真实操作:可连接企业系统与工具,完成预订、客服处理等复杂操作,不只是答问题;
  • 可调风格:开发者通过提示词调整模型的语气、风格和行为,适配不同客户、行业与用例。

这套「快通道对话+按需深想」的双层设计,是它与传统语音机器人拉开差距的关键:简单问题走实时语音路径,秒级接话;复杂任务才唤醒推理引擎,兼顾响应速度与答案质量。对电话客服、预订热线这类全年无休、话术高度重复的场景来说,能否自然地「接住」用户的打断与跳跃式表达,往往决定了智能体是省钱工具还是投诉来源——这也解释了微软为什么把首发试点全部押在企业级语音场景上。

价格两套口径:每分钟 0.01 美元起步

拍的是 MAI Realtime 1 定价与基准成本速览深色卡片(自绘) + 对应正文「价格两套口径」

定价分为两层。基础语音对语音使用费按音频时长计,每音频分钟 0.01 美元;一旦对话触发推理,则按 token 另行计费——每百万输入 token 1 美元、每百万输出 token 5 美元,约合人民币 6.7 元与 33.4 元。

只算语音快速通道的话,一小时对话约 0.6 美元;而微软公布的基准口径(含推理调用摊入)下,Big Bench Audio 每小时输入音频的综合成本约 1.35 美元,约合人民币 9 元。同样口径下,GPT-Realtime-2 High 约 4.14 美元、Grok Voice 2.0 约 4.80 美元——差距在 3 到 3.6 倍之间。有第三方分析指出,微软并未公布实际会话中触发推理的比例,真实账单会随场景浮动:预约、咨询这类简单对话大多停在语音层,多步复杂业务则会更贵。

成绩单:98.9% 准确率,卡在「性能—价格」前沿

拍的是微软官方 Big Bench Audio 成绩与价格散点图 + 对应正文「成绩单:98.9% 准确率」

官方测试数据显示,MAI Realtime 1 在 Big Bench Audio 语音推理基准上取得 98.9% 的准确率,作为对比,GPT-Realtime-2 High 为 96.6%,Grok Voice 2.0 为 97.2%。在 τ-Voice 智能体任务完成基准上,该模型与 Big Bench Audio 一道处于「性能—价格」帕累托前沿,官方图表标注其任务完成率为 57.5%、每小时输入音频成本 1.3548 美元。

需要提醒的是,MAI Realtime 1 的这些成绩目前来自微软自评,基准由微软自行选定,独立测试机构尚未给出复测结果,实际表现如何还有待第三方验证。

兼容 OpenAI Realtime API,落地从自家客服开始

拍的是微软官方 τ-Voice 任务完成率与价格散点图 + 对应正文「性能—价格」前沿

迁移成本是开发者最关心的问题。MAI Realtime 1 兼容 OpenAI Realtime API,现有语音应用可以低成本测试和迁移,不必重写接入层。Agoda、Reservations.ai 等公司已开始试用。

微软自己也先「吃狗粮」:该模型计划用于 Dynamics 365 Contact Center 客服场景,并进入 Dragon Copilot 扮演 AI 模拟患者,与护士进行临床沟通练习——医疗对话对打断、停顿和语气的要求极高,正好是对 S2S 架构的直接考验。两家试用公司的方向也颇具代表性:Agoda 主攻在线旅游预订,Reservations.ai 则专注语音订位服务,都是「一句话就能下单」的高频短对话场景。

MAI 家族补上最后一块语音拼图

把这次发布放进更大的时间线看会更清楚。2024 年 3 月,微软组建 Microsoft AI 部门,由 DeepMind 联合创始人苏莱曼执掌,自研模型计划就此启动。2025 年 8 月,首批两款自研模型亮相:语音生成模型 MAI-Voice-1 单卡一秒内可生成一整分钟音频,基座模型 MAI-1-preview 则动用约 1.5 万块 NVIDIA H100 完成端到端训练。此后图像、转写等方向陆续补齐,2026 年 6 月的 Build 大会上 MAI 家族已扩展至多个模态。

到了本次 Ignite 2026,微软一口气发布七款新模型:编程模型 MAI Code 2、安全模型 MAI Cyber 2 Flash、图像模型 MAI Image 2.7、实时语音模型 MAI Realtime 1、转写模型 MAI Transcribe 2(基于它的 Dragon Copilot Transcribe 每月处理约 1000 万次医患对话)、决策模型 Decision 1.1 转为正式可用,第二代自研 AI 加速器 Maia 200 也已投产。苏莱曼表示,微软正加速研发自主通用 AI 模型以减少对外部模型的依赖,并计划通过 MAI Licensed Weights 向企业客户开放模型权重,支持用自有数据定制。

换句话说,MAI Realtime 1 不只是一次产品发布,而是微软自研模型矩阵里缺了很久的那块拼图——语音交互这块,从此不用再看外部供应商的排期。

网友热议

  • 「每分钟 0.01 美元,一小时折算下来才六毛美元,AI 外呼客服的成本线被直接打穿了,小公司也用得起。」
  • 「兼容 OpenAI Realtime API 这步棋聪明,现有语音应用换个接入点就能迁过去,试错成本几乎为零。」
  • 「先别吹得太满,τ-Voice 任务完成率才五成多,复杂多步电话业务暂时还得有人盯着,先上简单场景更稳。」
  • 「七款模型齐发再加开放权重,微软这是把减少对 OpenAI 依赖的策略摆在明面上了,自研生态越铺越全。」

从 MAI-Voice-1 的「念稿」到 MAI Realtime 1 的「对话」,微软自研语音栈完成了从单向生成到实时交互的跨越。语音智能体的价格战才刚刚开始,每分钟 0.01 美元只是微软甩出的第一张牌。

相关文章

Breeze TTS 2 官网网页版使用指南:工作台入口与每日 400 免费积分领取
BreezeBlue API Key 从申请到调用全流程:brz_ 密钥鉴权与第一段合成语音实操
Qwen3-TTS 技术深读:12Hz 多码本、首包低至 97 毫秒,一句话造出一条声线
火山引擎把视频生成价格打到0.99元一秒:Seedance 2.5 flash主打批量出片
MOSS-Live 技术深读:边听边说、边看边办事的全双工实时交互系统
Breeze TTS 2 官网入口导航:在线体验、音色库与 API 密钥申请地址全汇总