发生了什么
11月17日,微软在Ignite 2026期间发布了MAI Realtime 1。这是微软人工智能团队(MAI)的第一款语音到语音(speech-to-speech)模型,定位于企业场景里需要连续、自然对话的语音智能体,而不是把“听完再生成一段回复”的流程再封装一层。
官方把定价写得很明确:基础的语音到语音使用起步价为每音频分钟0.01美元。如果对话中需要调用更强的推理,则按token另行计费,标准是每百万输入token 1美元、每百万输出token 5美元。同一天,微软还发布了包括MAI Code 2在内的一组新模型,但Realtime 1是其中专门面向实时语音交互的一款。
关键细节和数据
微软称,MAI Realtime 1在公开基准和自身产品评测中,质量、速度和价格都优于OpenAI的GPT Realtime 2.1。官方点名的公开基准包括Big Bench Audio的语音推理,以及τ-Voice(Tau-Voice)这项面向语音智能体任务完成情况的测试;此外还有Dynamics 365 Contact Center相关的内部评测。微软的说法是,该模型在这两项公开基准的性能—价格“帕累托前沿”上。需要注意的是,官方并未在介绍稿中给出具体分数,并在文末写明:结果取决于特定的评测配置和工作负载,性能、延迟和成本对比会因应用和方法而变化。
在能力描述上,官方强调的不是“会说话”,而是把对话、判断和行动放在同一次实时交互里。具体包括:能够处理插话,听懂简短的附和,并知道何时等待对方把话说完;平时用一套快速响应的系统把对话维持下去,遇到需要更深思考的任务时,再调用更强的推理引擎,以避免出现明显停顿;在有背景噪声或旁边有人说话时也能识别请求;可以承接较复杂的任务并连接到企业系统和工具,从而不只是回答问题;还能够通过提示词调整语气、风格和行为,以适应不同客户、行业和用途。
对开发者而言,一个明确的兼容性选择是:MAI Realtime 1兼容OpenAI Realtime API,官方称这样便于已有语音应用做测试和迁移。可用性方面,用户可以在MAI Labs中试用,或登记参加Microsoft Foundry的有限预览。微软说明,预览客户在公开预览开始之前不会被计费。
在落地案例上,官方点名Agoda和Reservations.ai已经在测试该模型。微软还计划把它带进Dynamics 365 Contact Center的客服场景,以及Dragon Copilot:用于支持AI模拟的医患对话,帮助护士练习临床交流。这些都是官方公布的方向和试点,而不是已经完成的大规模部署数据。
为什么重要
语音智能体要真正进入客服、预约和培训这类场景,关键并不只是音色像不像人,而是系统能不能在插话、环境噪声和“需要停下来想一想”的任务之间保持流畅,并且用可控的成本跑起来。微软这次同时给出了一条很低的基础语音单价,以及单独计费的推理档,等于把“聊天”和“思考”拆开报价。这对于打算让语音智能体全天在线的企业来说,报价结构本身就是产品的一部分。
它选择兼容OpenAI的实时接口,也说明微软并不把这款模型封闭在自家栈里,而是希望已经按OpenAI接口写好的应用能够比较直接地试用。至于“全面优于GPT Realtime 2.1”的表述,目前依据仍是微软自己引用的基准和产品评测,外界还需要看到完整的配置说明和可复核的结果。
影响和展望
眼下可以确认的是:模型已经公布,基础语音价为每分钟0.01美元,推理另行按token计费;试用入口是MAI Labs和Foundry有限预览,公开预览前预览用户不计费。Dynamics 365 Contact Center和Dragon Copilot是官方点名的两条产品通道,Agoda与Reservations.ai则是已经在测的外部例子。
接下来更值得看的,是公开预览何时开始、计费如何从预览切到正式价,以及在真实呼叫中心和临床培训场景里,插话处理、推理切换和工具调用能不能达到介绍稿里的效果。在更多第三方评测出来之前,适宜把官方的性能对比理解为厂商自评,而不是已经交叉验证的行业结论。
参考来源
- Microsoft AI:Introducing MAI Realtime 1
- Microsoft AI:Seven new world class models at scalable price-performance(Ignite 2026)
发布者:极致前沿,转转请注明出处:https://www.veryin.com/4766.html