Une carte de titre générée pour MAI Realtime 1 indiquant « Un centime la minute », avec des cartes pour le tarif de 0,01 $ par minute audio, le palier de raisonnement à 1 $/5 $ par million, un score non audité de 98,8 % sur Big Bench Audio, et « Copilot Voice Mode : non annoncé », ainsi qu’un logo OrcaRouter.
Guides & Insights

Le MAI Realtime 1 de Microsoft débarque à un centime la minute — et l’allégation Copilot ne figure pas dans les documents

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Le 17 novembre 2026, à Ignite, Microsoft a annoncé sept modèles. L'un d'eux est MAI Realtime 1, le premier modèle parole-à-parole de l'entreprise, au prix de 0,01 $ par minute d'audio. La publication X qui l'a mis sur notre radar va plus loin que les propres pages de Microsoft : elle affirme Realtime 1 « alimentera le mode vocal de Copilot », et que le modèle « semblait très proche du modèle G​PT Live ». Aucune de ces deux affirmations n'apparaît dans les documents de lancement de Microsoft. Ce que ces documents disent à la place est plus restrictif, plus intéressant et plus facile à anticiper : un aperçu à accès limité, une interface compatible avec l'O​penAI Realtime API, et une architecture à deux niveaux qui confie les tours difficiles à un moteur de raisonnement distinct facturé au token.

Cet écart entre la publication et les documents officiels est l’histoire qui vaut la peine d’être consignée dès le premier jour, car la version de seconde main circule déjà plus loin que celle de première main. Voici ce qui est documenté, ce qui est affirmé sans chiffres, et ce que vous pouvez réellement appeler aujourd’hui.

Deux modèles livrés, pas un seul

L’article nomme les deux, et il a raison de le faire. Le modèle vocal est MAI Realtime 1. Le modèle de transcription est Dragon Copilot Transcribe, reposant sur MAI Transcribe 2 — la voie de dictée clinique de Microsoft, dont l’entreprise affirme qu’elle prend en charge 100 % de la transcription des échanges médecin-patient au sein de Dragon Copilot, couvre 10 millions de rencontres patients par mois, est utilisée par un tiers des médecins américains et divise par deux les taux d’erreur multilingues. Ce sont là des chiffres de Microsoft, non audités, et ils décrivent une gamme de produits forte de plusieurs années de déploiement plutôt qu’un modèle annoncé hier. C’est la moitié la plus mature du duo, et la moins discutée.

MAI Realtime 1 est la nouveauté du moment. Microsoft le décrit comme un modèle parole-à-parole « au flux conversationnel naturel et à la pilotabilité précise », combinant compréhension audio et génération vocale avec un raisonnement en temps réel afin qu’une interface unique puisse prendre en charge un agent vocal pilotable.

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.'

Ce qu’un centime la minute permet réellement d’acheter

Le tarif affiché est de 0,01 $ par minute audio de parole-à-parole. C’est le chiffre qui figure dans le titre de l’article de Microsoft lui-même, et il s’agit d’un véritable changement d’ordre de grandeur face aux API vocales qu’il cible. Mais ce n’est pas toute la facture, et la structure compte davantage que le tarif affiché :

• Conversation de base — 0,01 $ par minute audio, couvrant la boucle parole-parole elle-même.

• Raisonnement — facturé séparément à 1,00 $ par million de jetons d’entrée et 5,00 $ par million de jetons de sortie.

• Facturation en aperçu — les clients de l'aperçu à accès limité de Foundry ne sont pas facturés avant le début de l'aperçu public. Tout ce que vous mesurez pendant l'aperçu est gratuit, ce qui est la meilleure raison de commencer dès maintenant plutôt qu'à la disponibilité générale.

• Ce qui n’est pas publié — aucun chiffre sur la fréquence à laquelle une conversation bascule vers le niveau de raisonnement. Sans cela, $0.01 est un plancher, et non une estimation. Un appel au support qui sollicite le moteur de raisonnement sur quatre tours coûte sensiblement plus cher qu’un appel qui ne quitte jamais le chemin rapide, et Microsoft n’a pas précisé à quoi ressemble cette répartition en pratique.

À comparer avec les modèles auxquels il est confronté dès le premier jour. GPT Live 1 d'OpenAI coûte 0,05 $ par minute pour la session vocale, facturé à la seconde, avec en plus l'usage du modèle backend et des outils. GPT Realtime 2.1 d'OpenAI est en revanche facturé au token — 32 $ par million de tokens d'entrée audio et 64 $ par million de sortie audio — ce qu'Artificial Analysis normalise à environ 10,75 $ de l'heure avec son réglage High. Eleven Realtime Max d'ElevenLabs s'établit autour de 4,80 $ de l'heure sur la même base indépendante. Le cent de Microsoft revient à 0,60 $ de l'heure avant tout token de raisonnement. Sur la seule ligne vocale, l'écart est réel ; une fois le raisonnement intégré à la facture, c'est une fourchette, pas un chiffre.

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'.

Quatre affirmations de capacités, dont deux numérotées

La liste des capacités se lit bien et est entièrement qualitative. Microsoft indique que le modèle gère les interruptions et les brèves marques d’acquiescement, et sait quand laisser quelqu’un terminer ; qu’un système rapide maintient le dialogue en temps réel tandis que les tâches plus difficiles sont acheminées vers un moteur de raisonnement plus puissant sans pause inconfortable ; qu’il reconnaît toujours les demandes malgré le bruit de fond et d’autres voix ; qu’il se connecte aux systèmes d’entreprise pour exécuter des demandes en plusieurs étapes ; et que le ton, le style et le comportement peuvent être orientés par le prompting.

En face, le volet mesure est mince et entièrement auto-déclaré. Microsoft affirme que MAI Realtime 1 « se situe sur la frontière de Pareto performance-prix » pour le raisonnement vocal Big Bench Audio et pour le benchmark de tâches agentiques τ-Voice, et qu’il surpasse G​PT Realtime 2.1 en qualité, en vitesse et en prix. Le seul chiffre de précision que l’entreprise publie figure sur la page du modèle : 98,8 % sur Big Bench Audio, décrit à cet endroit comme « la précision sur les questions de raisonnement à l’oral du benchmark Big Bench Audio ». Il s’agit d’un chiffre fourni par le vendeur, produit par le vendeur, sur un benchmark choisi par le vendeur, sans aucune note méthodologique à côté. La même page comporte une carte P50 « time to first audio » et une seconde carte intitulée « P50 Latency on BigBench Audio », et aucun score τ-Voice, quel qu’il soit. Aucune liste de langues n’est publiée non plus.

Ainsi, la lecture honnête est plus étroite que l’un ou l’autre des extrêmes. Ce n’est pas un modèle sans chiffres : c’est un modèle avec un chiffre de précision, un chiffre de latence interne, et aucune vérification indépendante de l’un ou de l’autre. Le classement parole-parole d’Artificial Analysis ne référence pas MAI Realtime 1 au 18 novembre, ce qui signifie que personne n’a réexécuté ce 98.8% dans un banc d’essai que vous pouvez inspecter. Considérez-le comme une affirmation qui se trouve être quantifiée plutôt que comme un résultat.

Ce n’est pas une raison pour écarter le modèle. C’est une raison de considérer chaque comparaison que vous lisez cette semaine, y compris celle du post qui l’a fait connaître, comme une impression. « On avait l’impression que c’était très proche du modèle GPT Live » est une affirmation testable que personne n’a encore testée publiquement, et les bancs d’essai indépendants n’ont pas non plus évalué MAI Realtime 1 — le classement parole-à-parole d’Artificial Analysis ne l’inclut pas au 18 novembre. La cible de comparaison que Microsoft a choisie pour lui-même est GPT Realtime 2.1, un modèle vocal de raisonnement par token, et non GPT Live 1, celui en duplex intégral. Ce sont des produits différents avec des structures tarifaires différentes, et la comparaison directe du fournisseur n’existe pas pour le second.

La question Copilot

Ce que les documents de Microsoft disent réellement à propos de Copilot est précis et bien plus restreint que le « Voice Mode ». MAI Realtime 1 arrive dans Dynamics 365 Contact Center pour le service client, et il arrive dans Dragon Copilot pour des conversations simulées avec des patients qui aident les infirmières à s’entraîner aux interactions cliniques. Les deux sont nommés, les deux sont des déploiements d’entreprise, les deux sont au futur.

Copilot Voice Mode non plus. La transcription de la keynote Ignite ne mentionne pas du tout Realtime 1 — il n’apparaît que dans la liste des articles liés — et la page du modèle ne mentionne Copilot sous aucune forme. L’affirmation selon laquelle Realtime 1 alimentera Copilot Voice Mode est donc, à ce jour, sans source. Il se peut très bien qu’elle se révèle vraie ; la voix de Copilot grand public est un endroit évident où placer un modèle facturé un centime la minute. Mais une décision produit qui n’a pas été annoncée n’est pas la même qu’une décision qui l’a été, et planifier une migration autour d’une feuille de route non annoncée, c’est ainsi que les équipes finissent avec une intégration que personne ne prend en charge.

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.

Qui peut l'appeler, et comment ?

Aujourd'hui, l'accès disponible se résume à deux portes, toutes deux étroites. Une démo est proposée dans MAI Labs, la plateforme d'aperçu limité de Microsoft pour les modèles nouveaux et expérimentaux : sessions de deux minutes, connexion obligatoire, 18 ans et plus, usage personnel non commercial uniquement. Lors de notre vérification, la démo elle-même a signalé « MAI Realtime est indisponible pour le moment », ce qu'il est utile de savoir avant de planifier une évaluation d'équipe autour d'elle. La seconde porte est l'aperçu à accès limité de Foundry, accessible au moyen d'un formulaire d'inscription plutôt que d'une clé en libre-service.

Le détail qui compte le plus pour l’ingénierie, c’est la compatibilité : MAI Realtime 1 prend en charge l’O​penAI Realtime API. Si votre stack vocale est déjà construite sur cette interface, une évaluation se résume à un changement d’URL de base et de chaîne de modèle plutôt qu’à une réécriture — le même avantage pratique qu’ElevenLabs s’est offert en livrant un point de terminaison Realtime compatible OpenAI. Si votre stack est construite sur le protocole de session d’un autre fournisseur, l’aperçu est un véritable projet de portage, quel que soit le prix.

Le transfert du raisonnement est l’élément autour duquel il vaut la peine de concevoir.

L’architecture à deux niveaux est l’élément le plus lourd de conséquences de l’annonce, et c’est celui que le titre sur le prix dissimule. Un centime achète la voie rapide. Dès qu’un appelant demande quelque chose qui nécessite de la planification, des appels d’outils à travers les systèmes d’entreprise ou une réponse réfléchie en plusieurs étapes, le tour de conversation quitte le modèle vocal et atterrit sur un modèle de raisonnement facturé 1 $ et 5 $ par million de tokens. Il s’agit d’une grille tarifaire ordinaire de modèle texte rattachée à un produit vocal, ce qui signifie que votre facture vocale contient désormais une facture texte et que votre budget de latence intègre un second modèle.

C’est précisément à cet endroit qu’un routeur a sa place. OrcaRouter répercute le prix catalogue du fournisseur avec 0 % de majoration, donc lorsque le tarif d’un palier de raisonnement change le chiffre indiqué par votre passerelle change le jour même plutôt qu’au prochain renouvellement de contrat. Le basculement automatique compte davantage ici que dans un produit de chat : un tour de parole vocale qui se bloque, c’est une personne qui écoute le silence, et une requête qui bascule vers un second fournisseur en 400 millisecondes est invisible, alors qu’une requête qui réessaie pendant quatre secondes ne l’est pas. Le DSL de routage est l’autre moitié — le chemin conversationnel rapide et l’escalade vers le raisonnement peuvent être composés en un seul appel, afin que la transition soit une route plutôt qu’une logique applicative que vous maintenez vous-même.

Pour être précis sur ce que nous référençons et ne référençons pas : MAI Realtime 1 ne figure pas au catalogue OrcaRouter. Il est accessible via la démo MAI Labs de Microsoft et la préversion à accès limité de Foundry. Les modèles de raisonnement derrière un agent vocal sont une autre affaire — c’est la couche que nous routons, et c’est la couche où un changement de tarif le jour même ou un incident chez un fournisseur se répercute réellement sur vos utilisateurs.

Ce qu’il faut mesurer dans l’aperçu, étant donné que Microsoft l’a mesuré en privé

Comme l'aperçu n'est pas facturé avant l'aperçu public, le travail utile le moins coûteux ce mois-ci consiste à mesurer plutôt qu'à acheter. Quatre chiffres déterminent si le centime tient :

• Taux d’escalade — quelle proportion des échanges quitte le chemin rapide pour le niveau de raisonnement. Cela transforme 0,01 $ en un coût réel par appel, et c’est le seul chiffre que Microsoft a complètement omis.

• Temps jusqu’au premier audio, mesuré sur votre propre chemin audio. La page de modèle de Microsoft affiche une valeur P50 pour cet indicateur, mais un P50 sans distribution derrière ne vous dit rien de votre queue, et c’est la queue que les appelants remarquent. Mesurez le tour le plus lent sur cent, pas la médiane.

• Comportement en cas d’interruption lors d’un véritable chevauchement de parole — le fournisseur affirme qu’il distingue les signaux d’écoute des interruptions et des corrections. C’est une affirmation que l’on peut falsifier en un après-midi avec des enregistrements audio d’appels, et c’est ce qui différencie un agent qui paraît naturel d’un agent qui coupe la parole.

• Taux d'erreur sur le vocabulaire propre à votre domaine. Les audio de centres de contact et cliniques sont là où les modèles vocaux génériques échouent, et les chiffres cliniques de Dragon Copilot ne disent rien sur les noms de vos produits.

Comparez-les à un acteur en place plutôt qu’à une fiche technique. Le constat honnête du 18 novembre est que MAI Realtime 1 affiche le prix le plus agressif de la catégorie et les preuves publiques les plus minces — un 98,8 % non audité et un centile de latence, face à des concurrents dont les bancs de test sont inspectables — que ses ambitions pour Copilot ne sont documentées que par des déploiements en centres de contact et en formation d’infirmiers, et que l’affirmation selon laquelle il alimentera Copilot Voice Mode est un post, pas un communiqué de presse. Un cent la minute est assez bon marché pour être testé, et trop bon marché pour être cru sans mesure.