
MAI Realtime 1 de Microsoft llega a un centavo por minuto — y la afirmación sobre Copilot no figura en la documentación
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 121 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 141 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 265 tok/s
El 17 de noviembre de 2026, en Ignite, Microsoft anunció siete modelos. Uno de ellos es MAI Realtime 1, el primer modelo de voz a voz de la empresa, con un precio de 0,01 USD por minuto de audio. La publicación en X que lo puso en nuestro radar va más allá de las propias páginas de Microsoft: afirma que Realtime 1 "impulsará el modo de voz en Copilot" y que el modelo "se sentía muy cerca del modelo GPT Live". Ninguna de las dos afirmaciones aparece en el material de lanzamiento de Microsoft. Lo que sí dice el material es algo más acotado, más interesante y más fácil de planificar: una versión preliminar de acceso limitado, una interfaz compatible con la API Realtime de OpenAI y un diseño de dos niveles que deriva los turnos difíciles a un motor de razonamiento independiente que se factura por token.
Esa brecha entre la publicación y el papeleo es la historia que merece la pena anotar el primer día, porque la versión de segunda mano ya está recorriendo más camino que la de primera mano. Esto es lo que está documentado, lo que se afirma sin cifras y lo que de verdad puedes llamar hoy.
Se enviaron dos modelos, no uno.
El artículo menciona ambos, y hace bien. El modelo de voz es MAI Realtime 1. El modelo de transcripción es Dragon Copilot Transcribe, construido sobre MAI Transcribe 2 — la vía de dictado clínico de Microsoft, que, según la empresa, gestiona el 100 % de la transcripción entre médico y paciente dentro de Dragon Copilot, abarca 10 millones de encuentros con pacientes al mes, la utiliza un tercio de los médicos de EE. UU. y reduce a la mitad las tasas de error multilingües. Son cifras de Microsoft, no auditadas, y describen una línea de producto con años de despliegue a sus espaldas, no un modelo anunciado ayer. Es la mitad más madura del dúo y la menos comentada.
{{1}}MAI Realtime 1{{/1}} es la novedad. Microsoft lo describe como un modelo de voz a voz «con un flujo conversacional natural y una capacidad de dirección precisa», que combina la comprensión de audio y la generación de voz con razonamiento en tiempo real para que una única interfaz pueda soportar un agente de voz dirigible.{{2}}

Lo que realmente compra un centavo por minuto
La tarifa anunciada es de $0,01 por minuto de audio de voz a voz. Ese es el número que aparece en el propio título del artículo de Microsoft, y es un auténtico movimiento de un orden de magnitud frente a las API de voz a las que está dirigido. Pero no es toda la factura, y la estructura importa más que el titular:
• Conversación base — $0.01 por minuto de audio, cubriendo el bucle de voz a voz en sí.
• Razonamiento — se factura por separado a $1.00 por millón de tokens de entrada y $5.00 por millón de tokens de salida.
• Facturación de la versión preliminar: a los clientes de la versión preliminar de acceso limitado de Foundry no se les factura hasta que comience la versión preliminar pública. Todo lo que midas durante la versión preliminar es gratis, y esa es la mejor razón para empezar ahora en lugar de esperar a la disponibilidad general.
• Lo que no se ha publicado: no hay ninguna cifra sobre con qué frecuencia una conversación escala al nivel de razonamiento. Sin eso, $0.01 es un mínimo y no una estimación. Una llamada de soporte que llega al motor de razonamiento en cuatro turnos cuesta bastante más que una que nunca sale de la vía rápida, y Microsoft no ha dicho cómo es esa división en la práctica.
{{1}}Pongamos eso en contraste con los modelos con los que se compara desde el primer día.{{/1}} GPT Live 1 de OpenAI cuesta {{2}}$0.05 por minuto por la sesión de voz, facturado por segundo, más el uso del modelo de backend y de herramientas{{/2}}. GPT Realtime 2.1 de OpenAI, en cambio, se cobra por token: {{3}}$32 por millón de tokens de entrada de audio y $64 por millón de tokens de salida de audio{{/3}}, lo que Artificial Analysis normaliza a aproximadamente {{4}}$10.75 por hora en su configuración High{{/4}}. Eleven Realtime Max de ElevenLabs se sitúa en torno a {{5}}$4.80 por hora con la misma base independiente{{/5}}. El cent de Microsoft equivale a {{6}}$0.60 por hora antes de cualquier token de razonamiento{{/6}}. Solo en la línea de voz, eso es una diferencia real; cuando el razonamiento entra en la factura, es un rango, no un número.

Cuatro afirmaciones de capacidad, dos de ellas numeradas.
La lista de capacidades se lee bien y es totalmente cualitativa. Microsoft afirma que el modelo gestiona interrupciones y confirmaciones rápidas, y sabe cuándo dejar que alguien termine; que un sistema rápido mantiene el diálogo en tiempo real mientras las tareas más difíciles se dirigen a un motor de razonamiento más potente sin una pausa incómoda; que sigue reconociendo solicitudes por encima del ruido de fondo y de otras voces; que se conecta a sistemas empresariales para llevar a cabo solicitudes de varios pasos; y que el tono, el estilo y el comportamiento se pueden dirigir mediante instrucciones.
En contraste, el lado de la medición es escaso y enteramente autoinformado. Microsoft afirma que MAI Realtime 1 «se sitúa en la frontera de Pareto de rendimiento-precio» para el razonamiento del habla de Big Bench Audio y el benchmark de tareas agénticas τ-Voice, y que supera a GPT Realtime 2.1 en calidad, velocidad y precio. La única cifra de precisión que la empresa sí publica está en la página del modelo: 98,8 % en Big Bench Audio, descrita allí como «precisión en preguntas de razonamiento hablado del benchmark Big Bench Audio». Es una cifra de proveedor, producida por el proveedor, sobre un benchmark que eligió el proveedor, sin ninguna nota de metodología al lado. La misma página incluye una tarjeta de P50 de «tiempo hasta el primer audio» y una segunda tarjeta etiquetada «Latencia P50 en BigBench Audio», y ninguna puntuación de τ-Voice de ningún tipo. Tampoco se publica ninguna lista de idiomas.
La lectura honesta es más limitada que cualquiera de los dos extremos. No se trata de un modelo sin cifras: es un modelo con una cifra de precisión, una cifra de latencia interna y ninguna verificación independiente de ninguna de las dos. La tabla de voz a voz de Artificial Analysis no incluye MAI Realtime 1 a fecha de 18 de noviembre, lo que significa que nadie ha vuelto a ejecutar ese 98,8 % con un arnés que puedas inspeccionar. Trátalo como una afirmación que resulta estar cuantificada, no como un resultado.
Esto no es una razón para descartar el modelo. Es una razón para tratar cada comparación que leas esta semana, incluida la que aparece en la publicación que lo sacó a la luz, como una impresión. «Se sentía muy cerca del modelo GPT Live» es una afirmación comprobable que nadie ha comprobado en público todavía, y los arneses independientes tampoco han puntuado MAI Realtime 1 — el tablero de voz a voz de Artificial Analysis no lo incluye a fecha de 18 de noviembre. El objetivo de comparación que Microsoft eligió para sí misma es GPT Realtime 2.1, un modelo de voz de razonamiento por token, no GPT Live 1, el de dúplex completo. Son productos diferentes con estructuras de precios diferentes, y la comparación directa del proveedor no existe para el segundo.
La cuestión de Copilot
Lo que los materiales de Microsoft realmente dicen sobre Copilot es específico y mucho más limitado que "Voice Mode". MAI Realtime 1 llegará a Dynamics 365 Contact Center para atención al cliente, y llegará a Dragon Copilot para conversaciones simuladas con pacientes que ayudan a las enfermeras a ensayar interacciones clínicas. Ambos tienen nombre, ambos son implementaciones empresariales y ambos están en futuro.
Copilot Voice Mode tampoco. La transcripción del discurso de apertura de Ignite no menciona Realtime 1 en absoluto —solo aparece en la lista de historias relacionadas— y la página del modelo no menciona a Copilot de ninguna forma. Por lo tanto, la afirmación de que Realtime 1 impulsará Voice Mode en Copilot carece de fuentes a día de hoy. Bien podría resultar cierta; la voz de Copilot para consumidores es un lugar obvio para colocar un modelo con un precio de un centavo por minuto. Pero una decisión de producto que no se ha anunciado no es lo mismo que una que sí se ha anunciado, y planificar una migración en torno a una hoja de ruta no anunciada es la forma en que los equipos terminan con una integración que nadie respalda.

¿Quién puede llamarlo y cómo?
Hoy la disponibilidad se reduce a dos puertas, ambas estrechas. Hay una demo en MAI Labs, la superficie de vista previa limitada de Microsoft para modelos nuevos y experimentales: sesiones de dos minutos, inicio de sesión obligatorio, mayores de 18 años y solo para uso personal no comercial. Durante nuestra comprobación, la propia demo informó: «MAI Realtime no está disponible en este momento», algo que conviene saber antes de planificar una evaluación en equipo en torno a ella. La segunda puerta es la vista previa de acceso limitado de Foundry, a la que se llega mediante un formulario de registro y no con una clave de autoservicio.
El detalle que más importa para la ingeniería es la compatibilidad: MAI Realtime 1 habla la OpenAI Realtime API. Si tu stack de voz ya está construido sobre esa interfaz, una evaluación es un cambio de URL base y de cadena de modelo, no una reescritura — la misma ventaja práctica que ElevenLabs se consiguió al lanzar un endpoint Realtime compatible con OpenAI. Si tu stack está construido sobre el protocolo de sesión de otro proveedor, la vista previa es un verdadero proyecto de portabilidad, independientemente del precio.
El traspaso del razonamiento es la parte en torno a la cual vale la pena diseñar.
El diseño de dos niveles es lo más trascendental del anuncio, y es justo lo que oculta el titular sobre el precio. Un centavo compra la ruta rápida. En el momento en que quien llama pregunta algo que requiere planificación, llamadas a herramientas en sistemas empresariales o una respuesta cuidadosa de varios pasos, el turno abandona el modelo de voz y recae en un modelo de razonamiento que se factura a $1 y $5 por millón de tokens. Esa es una tarifa ordinaria de modelo de texto adjunta a un producto de voz, lo que significa que tu factura de voz ahora lleva dentro una factura de texto y que tu presupuesto de latencia ahora incluye un segundo modelo.
Esa es precisamente la costura en la que encaja un enrutador. OrcaRouter traslada el precio de lista del proveedor sin aplicar ningún margen (0%), así que cuando cambia la tarifa de un nivel de razonamiento la cifra que reporta tu puerta de enlace cambia ese mismo día en lugar de en la próxima renovación del contrato. La conmutación automática por error importa más aquí que en un producto de chat: un turno de voz que se bloquea es una persona escuchando silencio, y una solicitud que recurre a un segundo proveedor en 400 milisegundos es invisible, mientras que una que reintenta durante cuatro segundos no lo es. El DSL de enrutamiento es la otra mitad: la ruta conversacional rápida y la escalada de razonamiento pueden combinarse en una sola llamada, de modo que el traspaso sea una ruta y no lógica de aplicación que tengas que mantener tú mismo.
Para ser exactos sobre lo que ofrecemos y lo que no: MAI Realtime 1 no está en el catálogo de OrcaRouter. Se puede acceder a él a través de la demo de MAI Labs de Microsoft y la vista previa de acceso limitado de Foundry. Los modelos de razonamiento que hay detrás de un agente de voz son otro asunto: esa es la capa que enrutamos, y es la capa donde un cambio de precio del mismo día o un contratiempo de un proveedor afecta realmente a tus usuarios.
Qué medir en la vista previa, ya que Microsoft lo midió de forma privada
Dado que la vista previa no se factura hasta la vista previa pública, el trabajo útil más económico este mes es la medición en lugar de la adquisición. Cuatro números deciden si el centavo se sostiene:
• Tasa de escalado — qué fracción de los turnos abandona la vía rápida para pasar al nivel de razonamiento. Esto convierte $0.01 en un costo real por llamada, y es la única cifra que Microsoft ha omitido por completo.
• Tiempo hasta el primer audio, medido en tu propia ruta de audio. La página del modelo de Microsoft muestra una cifra P50 para ello, pero un P50 sin una distribución detrás no te dice nada sobre tu cola, y la cola es lo que los interlocutores notan. Mide el turno más lento de cada cien, no la mediana.
• El comportamiento ante interrupciones en solapamientos reales: el proveedor afirma que distingue los backchannels de las interrupciones y de las correcciones. Es una afirmación que puedes refutar en una tarde con audio grabado de llamadas, y supone la diferencia entre un agente que resulta natural y uno que habla por encima de los demás.
Tasa de error en tu propio vocabulario de dominio. El audio de centros de contacto y clínico es donde fallan los modelos de voz genéricos, y las cifras clínicas de Dragon Copilot no dicen nada sobre los nombres de tus productos.
Esas pruebas conviene hacerlas contra un incumbente real y no contra una hoja de especificaciones. La lectura honesta a 18 de noviembre es que MAI Realtime 1 tiene el precio más agresivo de la categoría y la evidencia pública más delgada —un 98,8 % sin auditar y un percentil de latencia, frente a competidores con arneses de prueba que uno puede inspeccionar—, que sus ambiciones con Copilot están documentadas solo como despliegues en centros de contacto y en formación de enfermería, y que la afirmación de que impulsará el modo de voz de Copilot es una publicación, no un comunicado de prensa. Un centavo por minuto es lo bastante barato como para probarlo y demasiado barato como para confiar en él sin medirlo.
