微软 AI(MAI)11 月 17 日在 Ignite 期间发布首个语音到语音模型 MAI Realtime 1,面向企业语音 Agent,基础语音对话每分钟 0.01 美元,调用更强推理时另按每百万 token 输入 1 美元、输出 5 美元计费。官方称它在 Big Bench Audio、τ-Voice 等公开基准和微软产品评测中,质量、速度和价格都优于 GPT Realtime 2.1。模型兼容 OpenAI Realtime API,便于迁移;可在 MAI Labs 试用,Foundry 限量预览期间暂不收费。
核心要点速览
- ✓价格:基础语音到语音每分钟 0.01 美元;需要深度推理时另计,每百万输入 token 1 美元、输出 token 5 美元
- ✓跑分:微软称在 Big Bench Audio 语音推理和 τ-Voice Agent 任务完成两项基准上处于性能-价格帕累托前沿,并在质量、速度、价格上优于 GPT Realtime 2.1;官方未在博客中给出具体分数
- ✓能力:可处理打断和简短应答、判断何时等对方说完;对话由快速系统维持,复杂任务时调用更强的推理引擎;嘈杂环境下也能识别请求,可连接企业系统和工具
- ✓兼容 OpenAI Realtime API,现有语音应用可较低成本迁移测试
- ✓可用性:MAI Labs 可试用,Microsoft Foundry 限量预览(公开预览前不收费);Agoda、Reservations.ai 在测试,并将接入 Dynamics 365 Contact Center 和 Dragon Copilot

关键决策指标一览
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价,支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
企业语音 Agent(客服、预订、培训)要求对话自然、能被打断、能办事,同时每分钟成本要低。此前这一市场主要由 OpenAI 的 Realtime 系列主导。微软 AI 在 Ignite 期间推出自研的首个语音到语音模型 MAI Realtime 1。
架构亮点与底层机制
官方没有公布模型结构和参数。据介绍,它用一个快速响应系统维持实时对话,遇到需要深度思考的任务时调用更强的推理引擎,避免长时间停顿;能处理打断、在嘈杂环境识别请求,并通过工具连接企业系统。语气和人设可用提示词调整。
权威 Benchmark 与实测跑分对比
微软称,在 Big Bench Audio 和 τ-Voice 两项公开基准以及 Dynamics 365 Contact Center 评测中,MAI Realtime 1 在质量、速度和价格上都优于 GPT Realtime 2.1,并处于性能-价格帕累托前沿。博客未给出具体分数。
开发者实战落地与开箱指南
模型兼容 OpenAI Realtime API,现有应用可直接切换测试。可在 MAI Labs 试用,或在 Microsoft Foundry 申请限量预览,公开预览前不计费;正式价格为每分钟 0.01 美元,推理另计。
即刻查看该技术对应模型与主流工具的实测差异,或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察