微軟首款語音對語音模型:MAI Realtime 1 登場,起價每分鐘 0.01 美元
IT之家 11 月 18 日消息,在昨日(11 月 17 日)召開的 Ignite 2026 大會上,微軟宣佈其首款語音對語音模型 MAI Realtime 1,定位爲面向真實企業場景的實時語音 AI。該模型可處理打斷、快速確認和等待對方說完等自然對話細節,並能在嘈雜環境或多人同時說話時理解用戶請求。價格方面,微軟稱該模型基礎語音對語音使用費爲每音頻分鐘 0.01 美元(IT之家注:現匯率約合 0.067 元人民幣);若涉及推理,則按每百萬輸入 token 1 美元(現匯率約合 6.7 元人民幣)、每百萬輸出 token 5 美元(現匯率約合 33.4 元人民幣)另行計費。微軟表示 MAI Realtime 1 不僅可實時回應語音,還能在任務需要更深入思考時調用更強的推理引擎,並連接企業系統與工具,完成預訂、客服處理等複雜操作;開發者爲了適配不同客戶和行業,還通過提示詞調整其語氣、風格和行爲。微軟表示,在公開基準測試及內部產品評估中,MAI Realtime 1 在質量、速度和價格上均優於 GPT Realtime 2.1,並在 Big Bench Audio 語音推理和 Tau-Voice 智能體任務完成基準上處於“性能 — 價格”前沿。微軟公佈的測試數據顯示,MAI Realtime 1 在 Big Bench Audio 上取得 98.9% 的準確率,每小時輸入音頻成本約爲 1.35 美元(現匯率約合 9 元人民幣);相比之下,GPT-Realtime-2 High 爲 96.6%、每小時 4.14 美元(現匯率約合 27.7 元人民幣),Grok Voice 2.0 爲 97.2%、每小時 4.80 美元(現匯率約合 32.1 元人民幣)。該模型已兼容 OpenAI Realtime API,便於開發者測試和遷移現有語音應用。Agoda、Reservations.ai 等公司已開始試用。微軟還計劃將其用於 Dynamics 365 Contact Center 客服場景,以及 Dragon Copilot 中的 AI 模擬患者對話,幫助護士練習臨牀溝通。