微软实时语音模型开启预览,每分钟 1 美分起
微软首款自研实时语音到语音模型 MAI Realtime 1 通过 MAI Labs 开放预览,基础价格为每音频分钟 0.01 美元。微软公布了相对 GPT Realtime 2.1 的质量、速度和价格优势,所给材料未包含独立验证。
AI 深度解读
微软在 2026 年 11 月 17 日的 Ignite 大会上发布了首款自研语音到语音模型 MAI Realtime 1,并通过 MAI Labs 开放限量预览。基础语音用量每音频分钟 $0.01 起,推理另计费。微软还宣布兼容 OpenAI Realtime API,已经做过实时语音接入的团队,可以沿用熟悉的接口模式做评估。
对准备做电话客服或语音预约的开发者,真正影响选型的是一通电话能不能办完事、用户插话时会发生什么,以及办完这一单到底花了多少钱。微软声称它在质量、速度和价格上都领先 GPT Realtime 2.1,原文能支持的结论还停留在厂商评测这一层。
语音直接进出,业务流程还得接好
传统语音助手通常分三步,先把用户的话转成文字,再让模型生成文本回复,最后合成为语音。MAI Realtime 1 面向实时的语音到语音交互。微软希望它能在企业场景里自然地对话,同时按应用设定的指令和流程推进。比如预约助手听到用户想改期,可以继续询问新时间,再根据排期系统返回的结果回答。
接口兼容的价值,在于已有 OpenAI Realtime API 接入的团队有机会复用现有的集成方式。接入跑通以后,仍要在自己的环境里验证语音质量、提示词表现、工具调用和响应延迟。比如用户在助手复述预约时间时突然改口,前端播放是否及时停下,服务端接下来是继续原来的操作还是按新时间查询,都要通过具体的通话流程来测。
微软计划把模型用于 Dynamics 365 Contact Center 和 Dragon Copilot,分别面向联络中心和临床文档工作,并提到与 Agoda、Reservations.ai 开展了早期测试。它也是微软 2026 年推出的七款新 MAI 模型之一。这些信息说明了微软想把语音能力放进哪些产品和流程,原文没有披露早期测试的业务结果。
每分钟 $0.01 起,一通电话怎么算账
微软给出的语音到语音基础价是每音频分钟 $0.01 起。使用推理时要额外按 token 计费,输入每百万 token 约 $1,输出每百万 token 约 $5。做预算时至少要记下音频用量、推理输入和推理输出。即便两通电话的时长相同,如果其中一通为了完成预约触发了更多推理,按这套价格算出的用量成本也可能不同。
目前需要通过 MAI Labs 注册申请限量预览。微软表示,获准参与的客户在公开预览开始前免计费。原文没有给出正式商用日期、可用地区或支持语言清单。面向中文用户的团队尤其要把语言可用性和实际通话表现分开看。公告没有列出语言范围,中文、数字和专有名词在真实电话里的表现也还需要验证。
微软说领先 GPT Realtime 2.1,证据到哪一步
微软把 MAI Realtime 1 放在 Big Bench Audio、Tau-Voice 等基准的性能与价格帕累托前沿上。可以把它想成一张同时标出性能和价格的图。按微软选用的指标和比较范围,在这个位置上,想进一步提高性能,往往就得接受更高的价格。实际选型还得看图上的性能指标和自己要完成的任务有多接近。
微软称,公开基准和自家产品评测显示,该模型在质量、速度和价格上领先 GPT Realtime 2.1。公开基准是评测所用的题目,结果仍由微软报告。原文引用的材料没有第三方独立验证,公告也没有完整公开评测方法和每项结果对应的工作负载。电话线路里的噪声、用户打断的频率、模型配置和业务流程,都可能改变实际表现。只凭这份公告,无法判断同样的优势能否在你的场景里复现。
我的判断
我认同原文把语音质量、延迟和成本放在同一通电话里看。拿预约举例,助手回答得快、音色也自然,但客户改口后仍按旧时间提交,后面就得靠人工纠错。看任务完成率时,最好同时记录转人工率和转接时机,区分该转时顺利转接,以及本可办完却提前退出。
如果现有系统用的是语音识别、文本生成和语音合成三段式流程,可以把它作为对照。三段式的排障路径清楚,识别错了、回复错了、播报出了问题,都可以按环节查。实时语音模型则可以重点测对话衔接和插话体验。原文没有给两种方案在同一批业务通话上的对照数据,把「实时交互更适合这条业务」当作待验证的工程判断更合适。
能拿来做什么
- 已经接入 OpenAI Realtime API 的团队,可以沿用现有客户端和服务端流程,挑一条预约或客服路径做对照,记录用户说完到听见首段回复的耗时,再测插话后播报是否及时停止。
- 在 Node 服务端按通话归集音频用量和推理输入、输出 token,分别计算费用。对照时同时看每通电话的成本和每次成功办结的成本,避免把大量转人工的低价通话算成收益。
- 用同一组业务用例测安静通话、背景噪声、中途改口和转人工。涉及排期、CRM 或知识库时,把工具返回的结果也纳入验收,确认助手说出的结果和系统实际记录一致。