微软实时语音模型兼容 OpenAI 接口
微软发布首款语音对语音模型 MAI Realtime 1,支持对话打断、嘈杂场景理解和企业工具调用,并兼容 OpenAI Realtime API。基础语音费用为每音频分钟 0.01 美元,推理另按输入和输出 token 计费。
AI 深度解读
微软在 11 月 17 日的 Ignite 2026 大会上发布了首款语音对语音模型 MAI Realtime 1。按微软的说法,它能在用户插话时调整回应,也能在需要时调用推理引擎和企业工具,把一通语音对话接到预订、客服等实际流程里。
基础语音费是每音频分钟 0.01 美元,推理另计。对已经在用 OpenAI Realtime API 的团队,这款模型提供了一个可测试的迁移选项。评估时要把三个问题放在一起看:用户能不能顺畅地说完,系统能不能把事办成,一次完整任务到底花多少钱。
用户插话时,系统还能把事办完吗
实时语音的难点有一部分发生在轮流说话时。比如,用户报完入住日期,听到系统开始确认,又立刻说「等一下,改成周五」。系统要停下正在播的回复,听完新条件,再用更新后的日期继续。微软称 MAI Realtime 1 能处理打断、快速确认和等待对方说完,也能在嘈杂环境或多人同时说话时理解请求。
微软还表示,任务需要更深入的推理时,模型可以调用更强的推理引擎,并连接企业系统和工具完成预订或客服操作。开发者可以通过提示词调整语气、风格和行为。做成产品时,回复一句「已经改好了」和预订系统确实改好了,是两条需要分别验证的结果。
每分钟 0.01 美元覆盖哪些费用
基础语音对语音使用费为每音频分钟 0.01 美元,按 IT之家报道中的汇率约合 0.067 元人民币。涉及推理时,每百万输入 token 另收 1 美元,约合 6.7 元人民币;每百万输出 token 另收 5 美元,约合 33.4 元人民币。
微软公布的 Big Bench Audio 测试还给出了每小时输入音频成本。MAI Realtime 1 的准确率为 98.9%,每小时约 1.35 美元(约 9 元人民币);GPT-Realtime-2 High 为 96.6%,每小时 4.14 美元(约 27.7 元人民币);Grok Voice 2.0 为 97.2%,每小时 4.80 美元(约 32.1 元人民币)。
基础价和基准成本采用了不同的计量口径。原文没有交代每小时 1.35 美元的费用拆分,拿这个数字估预算时,还需要用实际通话记录音频用量和推理 token。
兼容 OpenAI Realtime API,迁移能省多少事
模型已兼容 OpenAI Realtime API,已有语音应用可以从现有接入方式着手测试。原文没有列出兼容的事件、参数和错误处理细节,接入工作量还得看现有客户端依赖了哪些行为,尤其是打断播放、工具调用和失败后的状态恢复。
Agoda 和 Reservations.ai 已开始试用,原文没有给出试用结果。微软也计划把模型用在 Dynamics 365 Contact Center 的客服场景,以及 Dragon Copilot 的模拟患者对话中,供护士练习临床沟通。
我的判断
微软把语音推理和任务完成分开评估,这个思路适合做选型。Big Bench Audio 的准确率能回答模型在该基准上的表现,业务团队还需要知道,同一通电话里,模型能否听对修改后的条件,并把正确的参数交给工具。
微软声称 MAI Realtime 1 在公开基准测试和内部产品评估中,质量、速度和价格均优于 GPT Realtime 2.1,并在 Big Bench Audio 和 Tau-Voice 上处于性能与价格的前沿。原文给出的具体对照表使用的是 GPT-Realtime-2 High,也没有列出延迟、Tau-Voice 分数或真实业务成功率。能从报道中核对的是那组 Big Bench Audio 数字,更广泛的优势仍是微软的评估结论。
已有语音转文字、文本模型和语音合成链路的团队,可以把它留作对照。分段链路便于逐段排查识别和回复问题,实时语音模型则提供了另一种处理插话和轮流说话的方式。两套方案的取舍可以用同一批通话来测,重点看打断恢复、任务成功率和每次成功任务的成本。
能拿来做什么
- 用同一批业务录音对比现有方案和 MAI Realtime 1,覆盖说到一半改口、背景有人讲话和用户停顿后继续说。分别记录系统何时停播、何时恢复,以及最终提取的条件是否正确。
- 在 Web 客户端验证插话能否及时停止播放,在 Node 服务端核对工具调用参数和最终业务状态。用「先报一个日期,再改成另一个日期」验证预订系统实际收到的是哪个日期。
- 把音频用量、推理输入和输出 token、任务成功数分开记账,再按每次成功任务比较成本。普通问答和需要调用工具的通话可以分别统计。