Kartu judul yang dihasilkan untuk MAI Realtime 1 bertuliskan 'Satu sen per menit', dengan kartu untuk tarif $0.01 per menit audio, tier penalaran $1/$5 per juta, 98.8% yang belum diaudit pada Big Bench Audio, dan 'Copilot Voice Mode: belum diumumkan', plus logo OrcaRouter.
Guides & Insights

MAI Realtime 1 dari Microsoft Hadir dengan Tarif Satu Sen per Menit — dan Klaim Copilot Tidak Ada dalam Dokumennya

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Pada 17 November 2026, di Ignite, Microsoft mengumumkan tujuh model. Salah satunya adalah MAI Realtime 1, model ucapan-ke-ucapan pertama perusahaan, dengan harga $0,01 per menit audio. Postingan X yang membuatnya masuk radar kami melangkah lebih jauh daripada halaman Microsoft sendiri: disebutkan bahwa Realtime 1 "akan menggerakkan Voice Mode di Copilot," dan bahwa model tersebut "terasa sangat dekat dengan model G​PT Live." Tidak ada satu pun klaim itu yang muncul dalam materi peluncuran Microsoft. Yang dikatakan materi tersebut sebaliknya lebih sempit, lebih menarik, dan lebih mudah direncanakan: pratinjau dengan akses terbatas, antarmuka yang kompatibel dengan O​penAI Realtime API, dan desain dua tingkat yang menyerahkan giliran sulit kepada mesin penalaran terpisah yang ditagih per token.

Kesenjangan antara postingan dan dokumen itu adalah kisah yang layak dicatat pada hari pertama, karena versi tangan kedua sudah menyebar lebih jauh daripada versi tangan pertama. Berikut adalah apa yang terdokumentasi, apa yang diklaim tanpa angka, dan apa yang benar-benar bisa Anda sebut hari ini.

Dua model dirilis, bukan satu

Tulisan itu menyebut keduanya, dan memang tepat. Model suaranya adalah MAI Realtime 1. Model transkripsinya adalah Dragon Copilot Transcribe, yang dibangun di atas MAI Transcribe 2 — jalur dikte klinis Microsoft, yang menurut perusahaan menangani 100% transkripsi dokter–pasien di dalam Dragon Copilot, mencakup 10 juta pertemuan pasien per bulan, digunakan oleh sepertiga dokter di AS, dan memangkas separuh tingkat kesalahan multibahasa. Itu angka-angka Microsoft, belum diaudit, dan menggambarkan lini produk yang sudah bertahun-tahun diterapkan, bukan model yang baru diumumkan kemarin. Itu adalah separuh yang lebih matang dari pasangan tersebut dan yang lebih jarang dibahas.

MAI Realtime 1 adalah hal baru. Microsoft mendeskripsikannya sebagai model speech-to-speech "dengan alur percakapan yang natural dan kemampuan pengarahan yang presisi," yang menggabungkan pemahaman audio dan pembuatan suara dengan penalaran real-time sehingga satu antarmuka dapat menjalankan agen suara yang dapat diarahkan.

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.'

Apa yang sebenarnya bisa dibeli dengan satu sen per menit

Tarif yang dijadikan judul adalah $0,01 per menit audio untuk speech-to-speech. Itulah angka dalam judul artikel Microsoft sendiri, dan ini merupakan perubahan satu orde besaran yang nyata dibandingkan API suara yang menjadi sasarannya. Namun itu bukan keseluruhan tagihan, dan strukturnya lebih penting daripada angka yang dijadikan judul:

• Percakapan dasar — $0,01 per menit audio, mencakup loop speech-to-speech itu sendiri.

Penalaran — ditagih secara terpisah sebesar $1.00 per juta token masukan dan $5.00 per juta token keluaran.

• Penagihan pratinjau — pelanggan dalam pratinjau akses terbatas Foundry tidak ditagih hingga pratinjau publik dimulai. Apa pun yang Anda ukur dalam pratinjau gratis, dan itulah satu alasan terbaik untuk memulai sekarang daripada saat ketersediaan umum.

• Apa yang tidak dipublikasikan — tidak ada angka tentang seberapa sering percakapan meningkat ke tingkat penalaran. Tanpa itu, $0.01 adalah batas bawah dan bukan perkiraan. Panggilan dukungan yang mencapai mesin penalaran pada empat giliran biayanya jauh lebih mahal daripada panggilan yang tidak pernah meninggalkan jalur cepat, dan Microsoft belum mengatakan bagaimana pembagiannya dalam praktik.

Bandingkan itu dengan model-model yang menjadi pembandingnya pada hari pertama. GPT Live 1 milik OpenAI adalah $0,05 per menit untuk sesi suara, ditagih per detik, ditambah penggunaan model dan alat backend. GPT Realtime 2.1 milik OpenAI sebaliknya diberi harga per token — $32 per juta token input audio dan $64 per juta output audio — yang dinormalisasi Artificial Analysis menjadi sekitar $10,75 per jam pada pengaturan High-nya. Eleven Realtime Max milik ElevenLabs berada di sekitar $4,80 per jam berdasarkan basis independen yang sama. cent milik Microsoft setara dengan $0,60 per jam sebelum token reasoning apa pun. Hanya pada lini suara saja, itu sudah merupakan selisih yang nyata; begitu reasoning masuk ke tagihan, itu menjadi rentang, bukan satu angka.

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'.

Empat klaim kemampuan, dua di antaranya bernomor

Daftar kemampuannya terdengar bagus dan sepenuhnya bersifat kualitatif. Microsoft menyatakan bahwa model ini menangani interupsi dan pengakuan singkat serta tahu kapan harus membiarkan seseorang menyelesaikan ucapannya; bahwa sistem yang cepat menjaga dialog tetap real-time sementara tugas yang lebih sulit dialihkan ke mesin penalaran yang lebih kuat tanpa jeda yang canggung; bahwa sistem ini tetap mengenali permintaan di tengah kebisingan latar dan suara orang lain; bahwa sistem ini terhubung ke sistem perusahaan untuk menjalankan permintaan multi-langkah; dan bahwa nada, gaya, dan perilaku dapat diarahkan melalui prompting.

Sebaliknya, sisi pengukurannya tipis dan sepenuhnya dilaporkan sendiri. Microsoft menyatakan MAI Realtime 1 "berada di frontier Pareto harga-kinerja" untuk penalaran ucapan Big Bench Audio dan benchmark tugas agentik τ-Voice, serta mengalahkan G​PT Realtime 2.1 dalam kualitas, kecepatan, dan harga. Satu-satunya angka akurasi yang benar-benar diterbitkan perusahaan ada di halaman model: 98,8% pada Big Bench Audio, yang di sana dijelaskan sebagai "akurasi pada pertanyaan penalaran lisan dari benchmark Big Bench Audio." Itu adalah angka dari vendor, dihasilkan oleh vendor, pada benchmark yang dipilih vendor, tanpa catatan metodologi di sampingnya. Halaman yang sama memuat kartu P50 "waktu hingga audio pertama" dan kartu kedua berlabel "Latensi P50 pada BigBench Audio," serta tidak ada skor τ-Voice apa pun. Daftar bahasa juga tidak diterbitkan.

Jadi pembacaan yang jujur lebih sempit daripada kedua ekstrem. Ini bukan model tanpa angka — melainkan model dengan satu angka akurasi, satu angka latensi internal, dan tidak ada verifikasi independen untuk keduanya. Papan speech-to-speech Artificial Analysis belum memuat MAI Realtime 1 per 18 November, yang berarti belum ada yang menjalankan ulang angka 98,8% itu dalam harness yang dapat Anda periksa. Perlakukan itu sebagai klaim yang kebetulan terkuantifikasi, bukan sebagai hasil.

Ini bukan alasan untuk mengesampingkan model tersebut. Ini adalah alasan untuk memperlakukan setiap perbandingan yang Anda baca minggu ini, termasuk yang ada dalam postingan yang memunculkannya, sebagai kesan. “Rasanya sangat dekat dengan model GPT Live” adalah pernyataan yang dapat diuji yang belum diuji siapa pun secara publik, dan harness independen juga belum menilai MAI Realtime 1 — papan speech-to-speech Artificial Analysis tidak memuatnya per 18 November. Target pembanding yang dipilih Microsoft untuk dirinya sendiri adalah GPT Realtime 2.1, model suara penalaran per token, bukan GPT Live 1, yang full-duplex. Itu adalah produk yang berbeda dengan struktur harga yang berbeda, dan perbandingan langsung antarvendor tidak ada untuk yang kedua.

Pertanyaan Copilot

Apa yang sebenarnya dinyatakan materi Microsoft tentang Copilot bersifat spesifik dan jauh lebih sempit daripada "Voice Mode." MAI Realtime 1 akan hadir di Dynamics 365 Contact Center untuk layanan pelanggan, dan akan hadir di Dragon Copilot untuk percakapan pasien simulasi yang membantu perawat berlatih interaksi klinis. Keduanya disebutkan namanya, keduanya merupakan penerapan perusahaan, dan keduanya menggunakan kala mendatang.

Copilot Voice Mode juga bukan. Transkrip keynote Ignite sama sekali tidak menyebut Realtime 1 — model itu hanya muncul di daftar cerita terkait — dan halaman model tidak menyebut Copilot dalam bentuk apa pun. Jadi klaim bahwa Realtime 1 akan menggerakkan Voice Mode di Copilot, hingga saat ini, tidak memiliki sumber. Bisa jadi klaim itu benar; fitur suara Copilot untuk konsumen adalah tempat yang jelas untuk menempatkan model yang dibanderol satu sen per menit. Tetapi keputusan produk yang belum diumumkan tidak sama dengan keputusan yang sudah diumumkan, dan merencanakan migrasi berdasarkan peta jalan yang belum diumumkan adalah cara tim berakhir dengan integrasi yang tidak didukung siapa pun.

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.

Siapa yang bisa menyebutnya, dan bagaimana caranya

Ketersediaan saat ini adalah dua pintu, keduanya sempit. Ada demo di MAI Labs, permukaan pratinjau terbatas Microsoft untuk model baru dan eksperimental: sesi dua menit, wajib masuk, usia 18 tahun ke atas, hanya untuk penggunaan pribadi non-komersial. Saat pemeriksaan kami, demo itu sendiri melaporkan “MAI Realtime tidak tersedia saat ini,” yang perlu diketahui sebelum Anda merencanakan evaluasi tim berdasarkan demo tersebut. Pintu kedua adalah pratinjau akses terbatas Foundry, yang diakses melalui formulir pendaftaran, bukan kunci mandiri.

Detail yang paling penting bagi tim engineering adalah kompatibilitas: MAI Realtime 1 berbicara dalam O​penAI Realtime API. Jika stack suara Anda sudah dibangun terhadap antarmuka tersebut, evaluasinya hanyalah perubahan base-URL dan string model, bukan penulisan ulang — keuntungan praktis yang sama yang diraih ElevenLabs dengan merilis endpoint Realtime yang kompatibel dengan OpenAI. Jika stack Anda dibangun terhadap protokol sesi vendor lain, pratinjau ini adalah proyek porting sungguhan, apa pun harganya.

Serah terima penalaran adalah bagian yang perlu dirancang dengan cermat.

Desain dua tingkat adalah hal paling berdampak dalam pengumuman itu, dan justru itulah yang disembunyikan oleh angka harga utama. Satu sen membeli jalur cepat. Begitu penelepon menanyakan sesuatu yang memerlukan perencanaan, pemanggilan alat lintas sistem perusahaan, atau jawaban bertahap yang cermat, giliran itu meninggalkan model ucapan dan beralih ke model penalaran yang ditagih $1 dan $5 per juta token. Itu adalah kartu tarif model teks biasa yang dilekatkan pada produk suara, yang berarti tagihan suara Anda kini memiliki tagihan teks di dalamnya dan anggaran latensi Anda memiliki model kedua di dalamnya.

Itulah tepatnya titik sambung tempat router seharusnya berada. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, jadi ketika tarif tingkat reasoning berubah angka yang dilaporkan gateway Anda berubah pada hari yang sama alih-alih pada pembaruan kontrak berikutnya. Failover otomatis lebih penting di sini daripada di produk chat: giliran suara yang tersendat adalah seseorang yang mendengarkan keheningan, dan permintaan yang beralih ke penyedia kedua dalam 400 milidetik tidak terlihat, sedangkan yang mencoba ulang selama empat detik terlihat. DSL perutean adalah separuh lainnya — jalur percakapan cepat dan eskalasi reasoning dapat digabungkan menjadi satu panggilan sehingga serah terima menjadi rute alih-alih logika aplikasi yang Anda kelola sendiri.

Tepatnya mengenai apa yang kami sediakan dan tidak kami sediakan: MAI Realtime 1 tidak ada dalam katalog OrcaRouter. Model itu dapat diakses melalui demo MAI Labs Microsoft dan pratinjau akses terbatas Foundry. Model penalaran di balik agen suara adalah hal yang berbeda — itulah lapisan yang kami rutekan, dan itulah lapisan tempat perubahan harga pada hari yang sama atau gangguan penyedia benar-benar sampai ke pengguna Anda.

Apa yang harus diukur dalam pratinjau, karena Microsoft mengukurnya secara privat

Karena pratinjau ini tidak ditagih hingga pratinjau publik, pekerjaan paling berguna dengan biaya termurah bulan ini adalah pengukuran, bukan pengadaan. Empat angka menentukan apakah satu sen itu tetap layak:

• Tingkat eskalasi — berapa fraksi giliran yang meninggalkan jalur cepat menuju tingkat penalaran. Ini mengubah $0,01 menjadi biaya aktual per panggilan, dan inilah satu angka yang sepenuhnya dihilangkan oleh Microsoft.

• Waktu hingga audio pertama, diukur pada {{1}}jalur audio Anda sendiri{{/1}}. {{2}}Halaman model Microsoft{{/2}} menampilkan angka {{3}}P50{{/3}} untuk itu, tetapi {{4}}P50{{/4}} tanpa distribusi di baliknya tidak memberi tahu Anda apa pun tentang ekor Anda, dan ekor itulah yang diperhatikan penelepon. Ukur giliran paling lambat dari seratus, bukan median.

• Perilaku interupsi dalam tumpang tindih nyata — klaim vendor adalah bahwa sistem ini membedakan backchannel, interupsi, dan koreksi. Itu adalah klaim yang dapat Anda buktikan salah dalam satu sore dengan rekaman audio panggilan, dan itulah perbedaan antara agen yang terasa alami dan agen yang memotong pembicaraan orang.

• Tingkat kesalahan pada kosakata domain Anda sendiri. Audio pusat kontak dan klinis adalah area tempat model ucapan generik gagal, dan angka klinis Dragon Copilot tidak memberi tahu apa pun tentang nama produk Anda.

Uji itu terhadap satu pemain incumbent, bukan terhadap lembar spesifikasi. Pembacaan jujur pada 18 November adalah bahwa MAI Realtime 1 memiliki harga paling agresif di kategorinya dan bukti publik paling tipis — satu angka 98,8% yang belum diaudit dan satu persentil latensi, dibandingkan pesaing dengan harness yang bisa Anda periksa — bahwa ambisi Copilot-nya hanya terdokumentasi sebagai penerapan pusat kontak dan pelatihan perawat, dan bahwa klaim bahwa ia akan menjalankan Copilot Voice Mode hanyalah sebuah posting, bukan siaran pers. Satu sen per menit cukup murah untuk diuji dan terlalu murah untuk dipercaya tanpa pengukuran.