כרטיס כותרת שנוצר עבור MAI Realtime 1 עם הכיתוב 'סנט לדקה', עם כרטיסים עבור תעריף של $0.01 לדקת אודיו, מסלול החשיבה של $1/$5 למיליון, תוצאה לא מבוקרת של 98.8% ב-Big Bench Audio, ו'Copilot Voice Mode: לא הוכרז', בתוספת לוגו של OrcaRouter.
Guides & Insights

‏MAI Realtime 1 של מיקרוסופט מגיע במחיר של סנט לדקה — והטענה בנוגע ל-Copilot לא מופיעה במסמכים

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

ב-17 בנובמבר 2026, ב-Ignite, Microsoft הכריזה על שבעה מודלים. אחד מהם הוא MAI Realtime 1, מודל הדיבור-לדיבור הראשון של החברה, במחיר של $0.01 לדקת אודיו. הפוסט ב-X שהעלה אותו לרדאר שלנו מרחיק לכת יותר מהדפים של Microsoft עצמה: נאמר בו ש-Realtime 1 "יניע את Voice Mode ב-Copilot", ושהמודל "הרגיש קרוב מאוד למודל GPT Live". אף אחת מהטענות לא מופיעה בשום מקום בחומר ההשקה של Microsoft. מה שכן נאמר בחומר הוא צר יותר, מעניין יותר, וקל יותר לתכנון סביבו: תצוגה מקדימה בגישה מוגבלת, ממשק תואם ל-OpenAI Realtime API, ועיצוב דו-שכבתי שמעביר תורות קשות למנוע הסקה נפרד שמחויב לפי טוקן.

הפער בין הפוסט לניירת הוא הסיפור שכדאי לרשום ביום הראשון, כי הגרסה ממקור שני כבר מגיעה רחוק יותר מזו ממקור ראשון. הנה מה שמתועד, מה שנטען בלי מספרים, ומה שאפשר למעשה לכנות היום.

שני דגמים נשלחו, לא אחד

הפוסט מציין את שניהם, וצודק בכך. מודל הקול הוא MAI Realtime 1. מודל התמלול הוא Dragon Copilot Transcribe, שנבנה על MAI Transcribe 2 — מסלול ההכתבה הקליני של מיקרוסופט, שלפי החברה מטפל ב-100% מתמלול רופא–מטופל בתוך Dragon Copilot, מכסה 10 מיליון מפגשי מטופלים בחודש, נמצא בשימוש אצל שליש מהרופאים בארה״ב, ומפחית בחצי את שיעורי השגיאה הרב-לשוניים. אלה נתונים של מיקרוסופט, שלא עברו ביקורת, והם מתארים קו מוצרים עם שנים של פריסה מאחוריו ולא מודל שהוכרז אתמול. זה החצי הבוגר יותר של הזוג והפחות נידון.

MAI Realtime 1 הוא הדבר החדש. מיקרוסופט מתארת אותו כמודל דיבור-לדיבור "עם זרימה שיחתית טבעית ושליטה מדויקת", המשלב הבנת אודיו ויצירת קול עם הסקה בזמן אמת, כך שממשק יחיד יכול להפעיל סוכן קולי שניתן לשליטה.

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.'

מה ש{{1}}סנט לדקה{{/1}} בעצם קונה

התעריף המוצהר בכותרת הוא $0.01 לדקת שמע של דיבור-לדיבור. זהו המספר בכותרת המאמר של Microsoft עצמה, וזהו מהלך אמיתי בסדר גודל מול ממשקי ה-API הקוליים שאליהם הוא מכוון. אבל זה אינו החשבון כולו, והמבנה חשוב יותר מהכותרת:

• שיחה בסיסית — $0.01 לדקת שמע, ומכסה את לולאת הדיבור-לדיבור עצמה.

• חשיבה — מחויבת בנפרד לפי $1.00 לכל מיליון טוקני קלט ו-$5.00 לכל מיליון טוקני פלט.

• חיוב בתצוגה מקדימה — לקוחות ב-Foundry limited-access preview אינם מחויבים עד לתחילת ה-public preview. כל מה שתמדדו בתצוגה המקדימה הוא בחינם, וזו הסיבה הטובה ביותר להתחיל עכשיו ולא בשלב הזמינות הכללית.

• מה שלא פורסם — אין נתון על התדירות שבה שיחה עולה לשכבת ההיסק. בלי זה, $0.01 הוא רצפה ולא אומדן. שיחת תמיכה שמגיעה למנוע ההיסק בארבעה סבבים עולה משמעותית יותר מזו שלעולם לא יוצאת מהמסלול המהיר, ומיקרוסופט לא אמרה איך נראית החלוקה בפועל.

העמידו את זה מול הדגמים שאליהם הוא מושווה מהיום הראשון. GPT Live 1 של OpenAI עולה $0.05 לדקה עבור הפעלת הקול, בחיוב לפי שנייה, בתוספת שימוש במודל ובכלים בצד השרת. לעומת זאת, GPT Realtime 2.1 של OpenAI מתומחר לפי טוקנים — $32 למיליון טוקני קלט אודיו ו-$64 למיליון פלט אודיו — אשר Artificial Analysis מנרמלת לכ-10.75$ לשעה בהגדרה High שלה. Eleven Realtime Max של ElevenLabs מגיע לכ-4.80$ לשעה על אותו בסיס עצמאי. הסנט של Microsoft מסתכם ב-$0.60 לשעה לפני טוקני reasoning כלשהם. על קו הקול לבדו זהו פער אמיתי; ברגע שה-reasoning נכנס לחשבון, זהו טווח, לא מספר.

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'.

ארבע טענות בדבר יכולות, שתיים מהן ממוספרות

רשימת היכולות נקראת היטב והיא כולה איכותנית. Microsoft אומרת שהמודל מתמודד עם קטיעות ועם תגובות אישור מהירות ויודע מתי לאפשר למישהו לסיים; שמערכת מהירה שומרת על דיאלוג בזמן אמת בעוד משימות קשות יותר מנותבות למנוע הסקה חזק יותר בלי השהיה מביכה; שהוא עדיין מזהה בקשות על רקע רעש וקולות אחרים; שהוא מתחבר למערכות ארגוניות כדי לבצע בקשות רב-שלביות; ושאפשר לכוון טון, סגנון והתנהגות באמצעות פרומפטים.

לעומת זאת, צד המדידה דליל וכולו מדווח עצמית. מיקרוסופט אומרת ש-MAI Realtime 1 "נמצא על חזית פרטו של ביצועים-מחיר" עבור הסקה קולית ב-Big Bench Audio ובנצ'מרק המשימות הסוכניות τ-Voice, ושהוא מנצח את G​PT Realtime 2.1 באיכות, במהירות ובמחיר. נתון הדיוק היחיד שהחברה כן מפרסמת נמצא בעמוד הדגם: 98.8% ב-Big Bench Audio, שם הוא מתואר כ"דיוק בשאלות הסקה מדוברות מבנצ'מרק Big Bench Audio". זהו נתון ספק, שהופק על ידי הספק, על בנצ'מרק שהספק בחר, בלי הערת מתודולוגיה לצידו. באותו עמוד יש כרטיס P50 של "זמן עד לאודיו ראשון" וכרטיס שני שכותרתו "P50 Latency on BigBench Audio", ואין שום ציון τ-Voice מכל סוג. גם רשימת שפות אינה מפורסמת.

אז הקריאה הכנה היא צרה יותר מכל אחד מהקצוות. זה לא מודל בלי מספרים — זה מודל עם מספר דיוק אחד, מספר השהיה פנימי אחד, ואין אימות בלתי תלוי לאף אחד מהם. לוח השיחה-לדיבור של Artificial Analysis אינו כולל את MAI Realtime 1 נכון ל-18 בנובמבר, כלומר איש לא הריץ מחדש את אותם 98.8% תחת מערכת בדיקה שאפשר לבדוק. התייחסו לזה כאל טענה שבמקרה יש לה ביטוי מספרי, ולא כאל תוצאה.

זה לא נימוק לפסול את המודל. זה נימוק להתייחס לכל השוואה שתקרא השבוע, כולל זו שבפוסט שהעלה אותו, כהתרשמות בלבד. "זה הרגיש קרוב מאוד למודל GPT Live" היא הצהרה ניתנת לבדיקה שאיש עדיין לא בחן בפומבי, ומסגרות הבדיקה העצמאיות גם לא דירגו את MAI Realtime 1 — לוח הדיבור-לדיבור של Artificial Analysis לא כולל אותו נכון ל-18 בנובמבר. יעד ההשוואה שמיקרוסופט בחרה לעצמה הוא GPT Realtime 2.1, מודל קולי עם חשיבה לפי טוקן, ולא GPT Live 1, זה שדופלקס מלא. אלה מוצרים שונים עם מבני תמחור שונים, וההשוואה הישירה של הספק אינה קיימת עבור השני.

שאלת ה-Copilot

מה שהחומרים של מיקרוסופט למעשה אומרים על Copilot הוא ספציפי וצר בהרבה מ"Voice Mode".‏ MAI Realtime 1 מגיע אל Dynamics 365 Contact Center לשירות לקוחות, והוא מגיע אל Dragon Copilot לשיחות מדומות עם מטופלים שעוזרות לאחיות לתרגל אינטראקציות קליניות. שניהם מוזכרים בשמם, שניהם פריסות ארגוניות, ושניהם בלשון עתיד.

גם Copilot Voice Mode לא. תמלול נאום הפתיחה של Ignite אינו מזכיר את Realtime 1 כלל — הוא מופיע רק ברשימת הכתבות הקשורות — ועמוד המודל אינו מזכיר את Copilot בשום צורה. לכן הטענה ש-Realtime 1 יפעיל את Voice Mode ב-Copilot היא, נכון להיום, חסרת מקור. ייתכן בהחלט שזה יתברר כנכון; הקול של Copilot לצרכנים הוא מקום מובן מאליו להציב בו מודל שמחירו סנט לדקה. אבל החלטת מוצר שלא הוכרזה אינה אותו דבר כמו החלטה שכן הוכרזה, ותכנון מיגרציה סביב מפת דרכים שלא הוכרזה הוא הדרך שבה צוותים מגיעים לאינטגרציה שאיש אינו תומך בה.

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.

מי יכול לקרוא לזה, ואיך

הזמינות כיום היא שתי דלתות, ושתיהן צרות. יש דמו בMAI Labs, משטח התצוגה המוקדמת המוגבלת של Microsoft למודלים חדשים וניסיוניים: מפגשים של שתי דקות, נדרשת התחברות, גיל 18 ומעלה, שימוש אישי לא-מסחרי בלבד. במהלך הבדיקה שלנו, הדמו עצמו דיווח ש"MAI Realtime אינו זמין כרגע", דבר שכדאי לדעת לפני שמתכננים הערכת צוות סביבו. הדלת השנייה היא תצוגת הגישה המוגבלת של Foundry, שאליה מגיעים דרך טופס הרשמה ולא באמצעות מפתח בשירות עצמי.

הפרט החשוב ביותר מבחינה הנדסית הוא תאימות: MAI Realtime 1 תומך ב־O​penAI Realtime API. אם מחסנית הקול שלך כבר בנויה מול הממשק הזה, הערכה היא שינוי של כתובת בסיס ומחרוזת מודל ולא שכתוב — אותו יתרון מעשי שהשיגה לעצמה ElevenLabs בכך שסיפקה נקודת קצה Realtime תואמת OpenAI. אם המחסנית שלך בנויה מול פרוטוקול סשן של ספק אחר, התצוגה המקדימה היא פרויקט הסבה אמיתי ללא קשר למחיר.

העברת ההיגיון היא החלק ששווה לתכנן סביבו

העיצוב הדו-שכבתי הוא הדבר בעל ההשלכות המשמעותיות ביותר בהכרזה, והוא זה שכותרת המחיר מסתירה. בסנט אחד קונים את המסלול המהיר. ברגע שמתקשר שואל משהו שדורש תכנון, קריאות לכלים ברחבי מערכות ארגוניות או תשובה רב-שלבית קפדנית, התור עוזב את מודל הדיבור ונוחת על מודל הסקה שמחויב ב-$1 וב-$5 למיליון טוקנים. זהו מחירון רגיל של מודל טקסט שמצורף למוצר קולי, כלומר בחשבון הקולי שלך יש כעת חשבון טקסט, ובתקציב ההשהיה שלך יש מודל שני.

זה בדיוק התפר שבו ראוטר צריך לשבת. OrcaRouter מעביר את מחיר המחירון של הספק הלאה עם 0% תוספת, כך שכאשר התעריף של דרגת ההסקה משתנה המספר שהשער שלך מדווח עליו משתנה באותו יום ולא בחידוש החוזה הבא. מעבר אוטומטי לספק גיבוי (failover) חשוב כאן יותר מאשר במוצר צ'אט: תור קולי שנתקע הוא אדם שמקשיב לדממה, ובקשה שעוברת לספק שני תוך 400 אלפיות השנייה היא בלתי נראית, בעוד בקשה שמנסה שוב במשך ארבע שניות אינה בלתי נראית. ה-DSL לניתוב הוא החצי השני — המסלול השיחתי המהיר וההסלמה לדרגת ההסקה יכולים להיות מורכבים לקריאה אחת, כך שההעברה היא מסלול ולא לוגיקת אפליקציה שאתה מתחזק בעצמך.

ליתר דיוק לגבי מה שאנחנו כן ולא מחזיקים: MAI Realtime 1 אינו בקטלוג של OrcaRouter. אפשר להגיע אליו דרך הדמו של Microsoft MAI Labs ותצוגת הגישה המוגבלת של Foundry. מודלי החשיבה שמאחורי סוכן קולי הם עניין אחר — זו השכבה שאנחנו מנתבים, וזו השכבה שבה שינוי מחיר באותו יום או תקלה אצל ספק באמת מגיעים למשתמשים שלך.

מה למדוד בתצוגה המקדימה, מכיוון שמיקרוסופט מדדה אותו באופן פרטי

מכיוון שהתצוגה המקדימה אינה מחויבת עד לתצוגה המקדימה הציבורית, העבודה השימושית הזולה ביותר החודש היא מדידה ולא רכש. ארבעה מספרים קובעים אם הסנט מחזיק מעמד:

• שיעור ההסלמה — איזה שבר מהתורות עוזבים את המסלול המהיר לטובת שכבת החשיבה. זה ממיר את $0.01 לעלות ממשית לכל קריאה, וזה הנתון היחיד שמיקרוסופט השאירה מחוץ לתמונה לחלוטין.

• זמן עד לאודיו הראשון, נמדד בנתיב האודיו שלך. עמוד המודל של Microsoft מציג עבורו נתון P50, אבל P50 בלי התפלגות מאחוריו לא אומר לך דבר על הזנב שלך, והזנב הוא מה שהמתקשרים מבחינים בו. מדוד את הסבב האיטי ביותר מתוך מאה, לא את החציון.

• התנהגות הפרעה בזמן חפיפת דיבור אמיתית — טענת הספק היא שהיא מבדילה בין בקאצ'אנלים לבין הפרעות לבין תיקונים. זו טענה שאפשר להפריך באחר צהריים אחד עם הקלטות שיחות, וזה ההבדל בין סוכן שמרגיש טבעי לבין סוכן שמדבר מעל אנשים.

• שיעור שגיאות באוצר המילים של התחום שלך. אודיו של מוקדי שירות ואודיו קליני הוא המקום שבו מודלי דיבור גנריים נכשלים, והנתונים הקליניים של Dragon Copilot לא אומרים דבר על שמות המוצרים שלך.

הריצו אותם מול ספק קיים אחד ולא מול גיליון מפרטים. הקריאה הישרה נכון ל-18 בנובמבר היא זו: ל-MAI Realtime 1 יש את המחיר האגרסיבי ביותר בקטגוריה ואת הראיות הציבוריות הדלות ביותר — 98.8% אחד שלא עבר ביקורת ואחוזון השהיה אחד, לעומת מתחרים עם מערכי בדיקה שאפשר לעיין בהם — שאיפותיה בנושא Copilot מתועדות רק כפריסות במוקדי שירות ובהדרכת אחיות, והטענה שהיא תפעיל את Copilot Voice Mode היא פוסט, לא הודעה לעיתונות. סנט לדקה זול מספיק כדי לבדוק וזול מדי כדי לסמוך עליו בלי מדידה.