微软在 Ignite 2026 大会上推出自家第一款原生语音对语音模型 MAI Realtime 1,主打企业实时语音对话场景,在 Big Bench Audio 基准测试上表现优于 GPT-Realtime 2.1,基础语音交互费用只要每音频分钟 0.01 美元。之所以单独开发这款语音对语音模型,是因为传统实时语音模型大多要走语音转文字、大模型推理、文字转语音三段链路,延迟高、容易打断不自然,而 MAI Realtime 1 原生音频输入输出,能直接处理通话里插话、停顿确认、嘈杂背景、多人混说这些真实通话里常见情况。开发者接入的时候,它兼容 OpenAI Realtime API,上手改动成本很低;简单对话只收音频时长费,如果任务需要复杂业务推理,会额外按照 token 计费,还能对接企业后端系统完成查单、预约、工单处理等动作,也支持用提示词调整说话语气和风格。总的来说 MAI Realtime 1 定位是面向大规模企业语音客服、语音智能体的高性价比实时语音模型,不是普通的文字对话模型,优势集中在自然流畅的连续语音交互。
MAI Realtime 1 核心参数
- 发布时间:2026 年 11 月 17 日,Ignite 2026 大会官宣
- 基准成绩:Big Bench Audio 准确率 98.9%,超过 GPT-Realtime 2.1
- 基础资费:语音对语音基础调用 0.01 美元 / 音频分钟
- 推理附加资费:输入 token 1 美元 / 百万,输出 token 5 美元 / 百万
- 接入兼容:兼容 OpenAI Realtime API,在 Microsoft Foundry 开放调用
- 落地计划:后续集成 Dynamics 365 客服中心、医疗 Dragon Copilot 场景,已有企业客户开始试用
MAI Realtime 1 核心能力清单
- 原生语音进语音出,支持对话中途插话、停顿、自然轮流对话
- 抗嘈杂环境,支持多人语音混叠识别
- 简单对话直接语音应答,复杂任务自动唤起推理引擎
- 对接企业业务系统,完成查询、预约、工单等业务操作
- 提示词可控,自定义语音风格、回答边界
- 流式 WebSocket 实时传输,低延迟
适合与不适合场景
✅ 适合:企业语音客服热线、电话智能外呼、实时语音助手、行业语音坐席助手
❌ 不适合:离线本地部署、纯文字长文创作、静态语音转写、高清图片理解
【相关 FAQ】
问题 1:MAI Realtime 1 和 GPT-Realtime 2.1 相比差别在哪?
回答 1:MAI Realtime 1 是微软首款语音对语音模型,在 Big Bench Audio 基准成绩优于 GPT-Realtime 2.1,基础资费更低,原生优化真实通话里打断、嘈杂人声等场景,并且兼容 OpenAI Realtime API,迁移成本低。
问题 2:MAI Realtime 1 每分钟 0.01 美元的价格包含推理费用吗?
回答 2:MAI Realtime 1 的 0.01 美元每分钟只是基础语音对语音交互费用,如果对话需要调用额外推理能力,会单独收取输入、输出 token 费用,两部分分开计费。
问题 3:MAI Realtime 1 能不能直接替换现有的语音转文字 + 大模型 + TTS 方案?
回答 3:MAI Realtime 1 原生语音对语音链路,在实时通话流畅度、打断体验上更好,兼容 Realtime API 方便替换;但如果业务只需要单纯录音转文字,用 MAI 转写系列模型会更合适。
问题 4:MAI Realtime 1 可以在哪些平台调用?
回答 4:MAI Realtime 1 在 Microsoft Foundry 上线开放调用,接口兼容 OpenAI Realtime API,后续会内置到 Dynamics 365 Contact Center 等微软企业服务里。
【参考资料】
[2026-11-18](微软首款语音对语音模型:MAI Realtime 1 登场,起价每分钟 0.01 美元)新浪科技
[2026-11-18](微软发布首款企业级语音对语音 AI 模型 MAI Realtime 1)DoNews
[2026-11-17](Microsoft launches MAI Realtime 1 speech-to-speech model)TLDR
[2026-11-17](MAI Realtime 1 Pricing, Preview and GPT Realtime Claims)Scalevise
【免责声明】
本文信息整理自微软 Ignite 大会公开信息与行业媒体报道,MAI Realtime 1 的基准测试结果仅限定 Big Bench Audio 测试集,不代表全部语音场景都优于竞品;实际延迟、通话效果、计费规则、可用区域以 Microsoft Foundry 官方页面为准,不构成企业语音项目采购和技术选型的决策依据。
本文来自作者[玄码网关]投稿,不代表新投网立场,如若转载,请注明出处:https://www.eastpo.net/ai/202611/1711.html
评论列表(4条)
我是新投网的签约作者“玄码网关”!
希望本篇文章《微软首款语音对语音模型 MAI Realtime 1 发布,起步价每分钟 0.01 美元》能对你有所帮助!
本站[新投网]内容主要涵盖:互联网行业的追踪与探索
本文概览:微软在 Ignite 2026 大会上推出自家第一款原生语音对语音模型 MAI Realtime 1,主打企业实时语音对话场景,在 Big Bench Audio 基准测试上表现优于 GPT-Realtime 2.1,基础语音交互费用只要每音频分钟 0.01 美元。之所以单独开发这款语音对语音模型,是因为传统实时语音模型大多要走语音转文字、大模型推理、文字转语音三段链路,延迟高、容易打断不自然,而 MAI Realtime 1 原生音频输入输出,能直接处理通话里插话、停顿确认、嘈杂背景、多人混说这些真实通话里常见情况。开发者接入的时候,它兼容 OpenAI Realtime API,上手改动成本很低;简单对话只收音频时长费,如果任务需要复杂业务推理,会额外按照 token 计费,还能对接企业后端系统完成查单、预约、工单处理等动作,也支持用提示词调整说话语气和风格。总的来说 MAI Realtime 1 定位是面向大规模企业语音客服、语音智能体的高性价比实时语音模型,不是普通的文字对话模型,优势集中在自然流畅的连续语音交互。