微软发布首个语音到语音模型 MAI Realtime 1:每分钟 0.01 美元起,官方称质量、速度、价格均胜 GPT Realtime 2.1,兼容 OpenAI Realtime API,Foundry 限量预览
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
