Eine generierte Titelkarte für MAI Realtime 1 mit der Aufschrift „Ein Cent pro Minute“, mit Karten für den Audio-Minuten-Preis von $0.01, die Reasoning-Stufe zu $1/$5 pro Million, ungeprüfte 98,8 % auf Big Bench Audio und „Copilot Voice Mode: nicht angekündigt“ sowie ein OrcaRouter-Logo.
Guides & Insights

Microsofts MAI Realtime 1 landet bei einem Cent pro Minute – und die Copilot-Behauptung steht nicht in den Unterlagen

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Am 17. November 2026 kündigte Microsoft auf der Ignite sieben Modelle an. Eines davon ist MAI Realtime 1, das erste Speech-to-Speech-Modell des Unternehmens, zum Preis von 0,01 US-Dollar pro Audiominute. Der X-Beitrag, der es auf unserem Radar gebracht hat, geht weiter als Microsofts eigene Seiten: Darin heißt es, Realtime 1 „werde den Voice Mode in Copilot antreiben“, und das Modell habe sich „sehr nahe am G​PT-Live-Modell angefühlt“. Keine der beiden Behauptungen findet sich irgendwo in Microsofts Launch-Material. Was das Material stattdessen sagt, ist enger gefasst, interessanter und leichter einzuplanen: eine Preview mit begrenztem Zugriff, eine mit der OpenAI Realtime API kompatible Schnittstelle und ein zweistufiges Design, das schwierige Turns an eine separate Reasoning-Engine weitergibt, die pro Token abgerechnet wird.

Diese Lücke zwischen dem Beitrag und dem Papierkram ist die Geschichte, die es wert ist, am ersten Tag festgehalten zu werden, denn die Version aus zweiter Hand reist bereits weiter als die aus erster Hand. Hier steht, was dokumentiert ist, was ohne Zahlen behauptet wird und was Sie heute tatsächlich so nennen können.

Zwei Modelle ausgeliefert, nicht eines

Der Beitrag nennt beide, und das zu Recht. Das Sprachmodell ist MAI Realtime 1. Das Transkriptionsmodell ist Dragon Copilot Transcribe, aufgebaut auf MAI Transcribe 2 — Microsofts klinischer Diktierpfad, der laut Unternehmen 100 % der Arzt-Patienten-Transkription in Dragon Copilot abwickelt, 10 Millionen Patientenkontakte pro Monat umfasst, von einem Drittel der US-Ärzte genutzt wird und die mehrsprachigen Fehlerraten halbiert. Das sind Microsofts Zahlen, nicht geprüft, und sie beschreiben eher eine Produktlinie, hinter der Jahre des Einsatzes liegen, als ein gestern angekündigtes Modell. Es ist die reifere Hälfte des Paares und die weniger diskutierte.

MAI Realtime 1 ist das Neueste. Microsoft beschreibt es als ein Speech-to-Speech-Modell „mit natürlichem Gesprächsfluss und präziser Steuerbarkeit“, das Audioverständnis und Sprachgenerierung mit Echtzeit-Reasoning kombiniert, sodass eine einzige Schnittstelle einen steuerbaren Voice-Agenten betreiben kann.

A generated scoreboard titled 'MAI Realtime 1 — the scoreboard' with five rows: Big Bench Audio 98.8% vendor, unaudited; voice price $0.01 per audio minute; reasoning tier $1.00 in and $5.00 out per 1M tokens; tau-Voice agentic no score yet; time to first audio P50 only. The footer reads 'Microsoft model page and rate card; the 98.8% is vendor-reported.'

Was man für einen Cent pro Minute tatsächlich bekommt

Der beworbene Preis liegt bei $0.01 pro Audiominute für Speech-to-Speech. Das ist die Zahl in Microsofts eigenem Artikeltitel, und es ist ein echter Sprung um eine Größenordnung gegenüber den Sprach-APIs, auf die er abzielt. Aber das ist nicht die ganze Rechnung, und die Struktur ist wichtiger als die Schlagzeile:

• Basisgespräch — 0,01 $ pro Audiominute, womit die Sprach-zu-Sprach-Schleife selbst abgedeckt ist.

• Reasoning — wird separat mit 1,00 $ pro Million Eingabe-Tokens und 5,00 $ pro Million Ausgabe-Tokens abgerechnet.

• Abrechnung in der Vorschau — Kunden in der Vorschau mit eingeschränktem Zugriff (Limited-Access-Preview) von Foundry werden erst ab Beginn der öffentlichen Vorschau abgerechnet. Was Sie in der Vorschau messen, ist kostenlos — und das ist der wohl beste Grund, jetzt statt zur allgemeinen Verfügbarkeit zu starten.

• Was nicht veröffentlicht wird — es gibt keine Zahl dafür, wie oft ein Gespräch in die Reasoning-Stufe eskaliert. Ohne das ist $0.01 eine Untergrenze und keine Schätzung. Ein Supportanruf, der bei vier Turns die Reasoning-Engine erreicht, kostet deutlich mehr als einer, der den schnellen Pfad nie verlässt, und Microsoft hat nicht gesagt, wie die Aufteilung in der Praxis aussieht.

Vergleichen Sie das mit den Modellen, mit denen es am ersten Tag verglichen wird. OpenAIs GPT Live 1 kostet 0,05 US-Dollar pro Minute für die Sprachsitzung, sekundengenau abgerechnet, zuzüglich Backend-Modell- und Tool-Nutzung. OpenAIs GPT Realtime 2.1 wird stattdessen pro Token bepreist – 32 US-Dollar pro Million Audio-Eingabe-Tokens und 64 US-Dollar pro Million Audio-Ausgabe –, was Artificial Analysis bei seiner High-Einstellung auf rund 10,75 US-Dollar pro Stunde normalisiert. ElevenLabs' Eleven Realtime Max landet auf derselben unabhängigen Basis bei etwa 4,80 US-Dollar pro Stunde. Microsofts Cent ergibt 0,60 US-Dollar pro Stunde vor etwaigen Reasoning-Tokens. Allein auf der Sprachstrecke ist das eine echte Lücke; sobald Reasoning in der Rechnung steckt, ist es eine Spanne, keine Zahl.

A screenshot of Microsoft's MAI Realtime 1 model page captured 18 November 2026, showing the 98.8% Big Bench Audio accuracy figure, a 'Start a conversation' button, $0.01 per audio minute pricing, $5 per 1M output tokens, and a P50 time-to-first-audio card labelled 'P50 Latency on BigBench Audio'.

Vier Fähigkeitsaussagen, zwei davon nummeriert

Die Liste der Fähigkeiten liest sich gut und ist durchweg qualitativ. Microsoft sagt, das Modell komme mit Unterbrechungen und kurzen Bestätigungen zurecht und wisse, wann es jemanden zu Ende sprechen lassen sollte; dass ein schnelles System den Dialog in Echtzeit halte, während schwierigere Aufgaben ohne unangenehme Pause an eine stärkere Reasoning-Engine weitergeleitet würden; dass es Anfragen auch bei Hintergrundgeräuschen und anderen Stimmen erkenne; dass es sich mit Unternehmenssystemen verbinde, um mehrstufige Anfragen auszuführen; und dass Ton, Stil und Verhalten durch Prompting gesteuert werden können.

Dagegen ist die Messseite dünn und beruht vollständig auf Selbstauskunft. Microsoft sagt, MAI Realtime 1 „liege auf der Pareto-Grenze von Leistung und Preis“ für Big Bench Audio Speech Reasoning und den agentischen Task-Benchmark τ-Voice und schlage GPT Realtime 2.1 bei Qualität, Geschwindigkeit und Preis. Die einzige Genauigkeitszahl, die das Unternehmen veröffentlicht, steht auf der Modellseite: 98,8 % bei Big Bench Audio, dort beschrieben als „Genauigkeit bei gesprochenen Reasoning-Fragen aus dem Big Bench Audio Benchmark“. Das ist eine Anbieterzahl, vom Anbieter erzeugt, auf einem vom Anbieter ausgewählten Benchmark, ohne dass daneben eine Methodenanmerkung steht. Dieselbe Seite enthält eine Karte zu P50 „Time to First Audio“ und eine zweite Karte mit der Bezeichnung „P50-Latenz bei BigBench Audio“, aber keinerlei τ-Voice-Wert. Auch eine Sprachliste wird nicht veröffentlicht.

Die ehrliche Lesart ist also enger als beide Extreme. Das ist kein Modell ohne Zahlen – es ist ein Modell mit einem Genauigkeitswert, einem internen Latenzwert und keiner unabhängigen Überprüfung von beidem. Das Speech-to-Speech-Board von Artificial Analysis führt MAI Realtime 1 Stand 18. November nicht, was bedeutet, dass niemand diese 98,8 % unter einem Harness, den man einsehen kann, erneut hat laufen lassen. Behandle es als eine Behauptung, die zufällig quantifiziert ist, statt als ein Ergebnis.

Das ist kein Grund, das Modell abzutun. Es ist ein Grund, jeden Vergleich, den Sie diese Woche lesen, einschließlich desjenigen in dem Beitrag, in dem er aufkam, als Eindruck zu behandeln. „Es fühlte sich sehr nah am G​PT Live-Modell an“ ist eine überprüfbare Aussage, die noch niemand öffentlich überprüft hat, und auch die unabhängigen Testumgebungen haben MAI Realtime 1 nicht bewertet — Artificial Analysis’ Speech-to-Speech-Rangliste führt es Stand 18. November nicht. Das von Microsoft selbst gewählte Vergleichsziel ist G​PT Realtime 2.1, ein sprachbasiertes Reasoning-Modell mit Abrechnung pro Token, nicht G​PT Live 1, das Vollduplex-Modell. Das sind unterschiedliche Produkte mit unterschiedlichen Preisstrukturen, und den direkten Vergleich des Anbieters gibt es für das zweite nicht.

Die Copilot-Frage

Was die Materialien von Microsoft tatsächlich über Copilot aussagen, ist konkret und wesentlich enger als „Voice Mode“. MAI Realtime 1 kommt zu Dynamics 365 Contact Center für den Kundenservice, und es kommt zu Dragon Copilot für simulierte Patientengespräche, die Pflegekräften helfen, klinische Interaktionen zu üben. Beide werden namentlich genannt, beide sind Unternehmensbereitstellungen, beide stehen in der Zukunftsform.

Copilot Voice Mode ist es ebenso wenig. Das Transkript der Ignite-Keynote erwähnt Realtime 1 überhaupt nicht – es erscheint nur in der Liste der zugehörigen Artikel – und die Modellseite erwähnt Copilot in keiner Form. Die Behauptung, dass Realtime 1 den Voice Mode in Copilot antreiben wird, ist damit Stand heute unbelegt. Es kann sich durchaus als wahr herausstellen; Consumer-Copilot-Voice ist ein naheliegender Ort für ein Modell, das einen Cent pro Minute kostet. Aber eine Produktentscheidung, die nicht angekündigt wurde, ist nicht dasselbe wie eine angekündigte, und eine Migration um eine nicht angekündigte Roadmap herum zu planen, führt genau dazu, dass Teams mit einer Integration enden, die niemand unterstützt.

A screenshot of Microsoft's 17 November 2026 launch post headed 'MAI Realtime 1: Leading voice AI at $0.01 per audio minute', tagged Ignite and Models, showing the announcement body and a Pareto frontier chart.

Wer kann es aufrufen, und wie

Heute gibt es zwei Zugänge, beide schmal. Es gibt eine Demo in MAI Labs, Microsofts Oberfläche für begrenzte Vorschauen neuer und experimenteller Modelle: zweiminütige Sitzungen, Anmeldung erforderlich, ab 18 Jahren, nur für den persönlichen, nicht kommerziellen Gebrauch. Während unserer Prüfung meldete die Demo selbst „MAI Realtime ist derzeit nicht verfügbar“, was man wissen sollte, bevor Sie eine Teambewertung darauf stützen. Der zweite Zugang ist die Foundry-Vorschau mit begrenztem Zugang, die über ein Registrierungsformular statt über einen Self-Service-Schlüssel erreicht wird.

Das für das Engineering wichtigste Detail ist die Kompatibilität: MAI Realtime 1 spricht die O​penAI Realtime API. Wenn Ihr Voice-Stack bereits gegen diese Schnittstelle gebaut ist, ist eine Evaluierung eine Änderung der Base-URL und des Modellstrings statt einer Neufassung — derselbe praktische Vorteil, den sich ElevenLabs verschafft hat, indem es einen OpenAI-kompatiblen Realtime-Endpunkt ausgeliefert hat. Wenn Ihr Stack gegen das Sitzungsprotokoll eines anderen Anbieters gebaut ist, ist die Preview unabhängig vom Preis ein echtes Portierungsprojekt.

Die Übergabe der Argumentation ist der Teil, den es lohnt, gezielt zu gestalten.

Das zweistufige Design ist das Folgenreichste an der Ankündigung – und genau das, was die Preis-Schlagzeile verbirgt. Ein Cent kauft den schnellen Pfad. Sobald ein Anrufer etwas fragt, das Planung, Tool-Aufrufe über Unternehmenssysteme oder eine sorgfältige mehrstufige Antwort erfordert, verlässt der Turn das Sprachmodell und landet auf einem Reasoning-Modell, das mit 1 und 5 US-Dollar pro Million Tokens berechnet wird. Das ist eine gewöhnliche Preisliste für Textmodelle, die an ein Sprachprodukt gehängt wird – was bedeutet, dass Ihre Sprachrechnung jetzt eine Textrechnung in sich trägt und Ihr Latenzbudget ein zweites Modell enthält.

Das ist genau die Nahtstelle, an der ein Router hingehört. OrcaRouter gibt den Listenpreis des Anbieters mit 0 % Aufschlag weiter, und wenn sich der Tarif einer Reasoning-Stufe ändert, ändert sich die Zahl, die Ihr Gateway meldet, noch am selben Tag statt erst bei der nächsten Vertragsverlängerung. Automatisches Failover ist hier wichtiger als in einem Chat-Produkt: Eine Sprachrunde, die ins Stocken gerät, ist ein Mensch, der Stille hört, und eine Anfrage, die innerhalb von 400 Millisekunden auf einen zweiten Anbieter zurückfällt, ist unsichtbar, während eine, die vier Sekunden lang wiederholt wird, es nicht ist. Die Routing-DSL ist die andere Hälfte – der schnelle Konversationspfad und die Reasoning-Eskalation lassen sich zu einem Aufruf zusammensetzen, sodass die Übergabe eine Route statt Anwendungslogik ist, die Sie selbst pflegen.

Um genau zu sein, was wir anbieten und was nicht: MAI Realtime 1 ist nicht im OrcaRouter-Katalog. Es ist über Microsofts MAI Labs-Demo und die Foundry-Vorschau mit begrenztem Zugang erreichbar. Die Reasoning-Modelle hinter einem Voice-Agent sind eine andere Sache – das ist die Ebene, die wir routen, und es ist die Ebene, auf der eine Preisänderung noch am selben Tag oder eine Störung bei einem Anbieter tatsächlich Ihre Nutzer erreicht.

Was in der Vorschau gemessen werden soll, da Microsoft es privat gemessen hat

Da die Vorschau bis zur öffentlichen Vorschau nicht abgerechnet wird, ist die günstigste sinnvolle Arbeit diesen Monat die Messung statt der Beschaffung. Vier Zahlen entscheiden, ob der Cent hält:

• Eskalationsrate — welcher Anteil der Gesprächsrunden den schnellen Pfad verlässt und zur Reasoning-Stufe wechselt. Das macht aus 0,01 $ tatsächliche Kosten pro Aufruf, und es ist die eine Kennzahl, die Microsoft vollständig weggelassen hat.

• Zeit bis zum ersten Audio, gemessen auf Ihrem eigenen Audiopfad. Die Modellseite von Microsoft zeigt dafür einen P50-Wert, aber ein P50 ohne dahinterliegende Verteilung sagt Ihnen nichts über Ihren Tail, und der Tail ist das, was Anrufer bemerken. Messen Sie den langsamsten Turn von hundert, nicht den Median.

• Unterbrechungsverhalten bei echter Überlappung – die Behauptung des Anbieters ist, dass es Backchannels von Unterbrechungen von Korrekturen unterscheidet. Das ist eine Behauptung, die man mit aufgezeichnetem Anrufaudio an einem Nachmittag falsifizieren kann, und es ist der Unterschied zwischen einem Agenten, der sich natürlich anfühlt, und einem, der anderen ins Wort fällt.

• Fehlerrate für Ihr eigenes Domänenvokabular. Contact-Center- und klinische Audiodaten sind genau der Bereich, in dem generische Sprachmodelle versagen, und die klinischen Zahlen von Dragon Copilot sagen nichts über Ihre Produktnamen aus.

Lass sie gegen einen etablierten Anbieter laufen statt gegen ein Datenblatt. Die ehrliche Einschätzung am 18. November ist, dass MAI Realtime 1 den aggressivsten Preis der Kategorie und die dünnste öffentliche Beweislage hat – eine nicht geprüfte 98,8-%-Angabe und ein Latenz-Perzentil, gegen Wettbewerber mit Test-Harnesses, die man einsehen kann –, dass seine Copilot-Ambitionen nur als Contact-Center- und Pflegekräfte-Schulungs-Einsätze dokumentiert sind und dass die Behauptung, es werde Copilot Voice Mode antreiben, ein Post ist, keine Pressemitteilung. Ein Cent pro Minute ist günstig genug zum Testen und zu günstig, um ungemessen darauf zu vertrauen.