事件专题 ·多源确认

微软发布首款语音对语音模型 MAI Realtime 1,定价每分钟 0.01 美元

微软在 11 月 17 日 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,基础语音使用费为每音频分钟 0.01 美元,涉及推理时按每百万输入 token 1 美元、输出 token 5 美元另行计费。该模型面向真实企业语音场景,能处理打断、快速确认、等待对方说完等对话细节,并在嘈杂环境或多人同时说话时理解用户请求。 技术上,MAI Realtime 1 实时回应语音之外,可在任务需要深入思考时调用更强的推理引擎,并连接企业系统与工具完成预订、客服处理等操作,开发者可通过提示词调整其语气、风格和行为。模型兼容 OpenAI Realtime API,便于迁移现有语音应用,Agoda、Reservations.ai 已开始试用。 性能方面,微软称其在 Big Bench Audio 上取得 98.9% 准确率、每小时输入音频成本约 1.35 美元,对比 GPT-Realtime-2 High 的 96.6%、4.14 美元和 Grok Voice 2.0 的 97.2%、4.80 美元,处于性能—价格前沿。微软计划将其用于 Dynamics 365 Contact Center 客服和 Dragon Copilot 的 AI 模拟患者对话。

当前结论

微软自家语音模型终于来了,价格只有 GPT Realtime 2.1 的三分之一左右,还兼容 OpenAI API,迁移成本很低。做语音客服、电话机器人的开发者可以直接对比测试一下。

11 个信源71° AI 热度最后更新 2026/11/17 23:15:42

证据链

11 个信源
相关来源 3Simon Willison’s Weblog
查看原文
相关来源 6Vaibhav Srivastav
查看原文
相关来源 9The Information
查看原文

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。