Una card del titolo generata per MAI Realtime 1 con scritto "Un centesimo al minuto", con card per la tariffa di $0,01 al minuto audio, il livello di ragionamento da $1/$5 per milione, un 98,8% non verificato su Big Bench Audio e "Copilot Voice Mode: non annunciato", più un logo OrcaRouter.
Guides & Insights

MAI Realtime 1 di Microsoft arriva a un centesimo al minuto — e la dichiarazione su Copilot non compare nei documenti

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Il 17 novembre 2026, a Ignite, Microsoft ha annunciato sette modelli. Uno di questi è MAI Realtime 1, il primo modello speech-to-speech dell'azienda, con un prezzo di $0,01 per minuto audio. Il post su X che ce l'ha fatto notare va oltre le stesse pagine di Microsoft: afferma che Realtime 1 «alimenterà la Modalità vocale in Copilot» e che il modello «sembrava molto vicino al modello G​PT Live». Nessuna delle due affermazioni compare nel materiale di lancio di Microsoft. Ciò che invece dice il materiale è più circoscritto, più interessante e più facile da pianificare: un'anteprima ad accesso limitato, un'interfaccia compatibile con l'API Realtime di O​penAI e una struttura a due livelli che affida i turni difficili a un motore di ragionamento separato fatturato al token.

Quel divario tra il post e le carte è la storia che vale la pena annotare fin dal primo giorno, perché la versione di seconda mano sta già viaggiando più lontano di quella di prima mano. Ecco cosa è documentato, cosa è affermato senza numeri e cosa puoi effettivamente chiamare oggi.

Sono stati rilasciati due modelli, non uno.

Il post li nomina entrambi, ed è giusto così. Il modello vocale è MAI Realtime 1. Il modello di trascrizione è Dragon Copilot Transcribe, basato su MAI Transcribe 2 — la via della dettatura clinica di Microsoft, che secondo l'azienda gestisce il 100% della trascrizione medico-paziente all'interno di Dragon Copilot, copre 10 milioni di incontri con i pazienti al mese, è usata da un terzo dei medici statunitensi e dimezza i tassi di errore multilingue. Quelli sono i dati di Microsoft, non verificati, e descrivono una linea di prodotto con anni di implementazione alle spalle, non un modello annunciato ieri. È la metà più matura della coppia e quella di cui si parla meno.

MAI Realtime 1 è la novità. Microsoft lo descrive come un modello speech-to-speech "con un flusso conversazionale naturale e una precisa controllabilità", che combina comprensione audio e generazione vocale con ragionamento in tempo reale, così che un'unica interfaccia possa gestire un agente vocale controllabile.

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.'

Cosa compra davvero un centesimo al minuto

La tariffa annunciata è di 0,01 $ per minuto audio di speech-to-speech. È il numero che compare nel titolo dell'articolo della stessa Microsoft, e rappresenta un vero salto di ordine di grandezza rispetto alle API vocali a cui si rivolge. Ma non è l'intero conto, e la struttura conta più della cifra annunciata:

• Conversazione base — $0,01 per minuto audio, che copre il ciclo speech-to-speech stesso.

• Ragionamento — fatturato separatamente a $1.00 per milione di token di input e $5.00 per milione di token di output.

• Fatturazione dell'anteprima — i clienti dell'anteprima ad accesso limitato di Foundry non vengono fatturati finché non inizia l'anteprima pubblica. Tutto ciò che misuri durante l'anteprima è gratuito, ed è la ragione principale per iniziare ora anziché alla disponibilità generale.

• Cosa non è pubblicato: nessun dato su quanto spesso una conversazione passi al livello di ragionamento. Senza questo, $0.01 è un minimo e non una stima. Una chiamata al supporto che attiva il motore di ragionamento su quattro turni costa sensibilmente di più di una che non lascia mai il percorso rapido, e Microsoft non ha detto come si presenta la suddivisione in pratica.

Confrontalo con i modelli con cui viene messo a confronto fin dal primo giorno. O​penAI G​PT Live 1 costa $0,05 al minuto per la sessione vocale, con fatturazione al secondo, più l’utilizzo del modello backend e degli strumenti. O​penAI G​PT Realtime 2.1 è invece tariffato per token — $32 per milione di token audio di input e $64 per milione di token audio di output — che Artificial Analysis normalizza a circa $10,75 all’ora con l’impostazione High. ElevenLabs Eleven Realtime Max si attesta intorno a $4,80 all’ora sulla stessa base indipendente. Il centesimo di Microsoft equivale a $0,60 all’ora, prima di qualsiasi token di ragionamento. Sulla sola linea voce, si tratta di un divario reale; una volta che il ragionamento entra in fattura, è un intervallo, non un numero.

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'.

Quattro affermazioni sulle capacità, due delle quali numerate

La lista delle capacità si legge bene ed è del tutto qualitativa. Microsoft afferma che il modello gestisce interruzioni e rapidi cenni di conferma e sa quando lasciare che qualcuno finisca; che un sistema veloce mantiene il dialogo in tempo reale mentre le attività più complesse vengono indirizzate a un motore di ragionamento più potente senza una pausa imbarazzante; che riconosce comunque le richieste nonostante il rumore di fondo e altre voci; che si collega ai sistemi aziendali per eseguire richieste in più passaggi; e che tono, stile e comportamento possono essere guidati tramite il prompting.

Per contro, il versante delle misurazioni è debole e interamente autodichiarato. Microsoft afferma che MAI Realtime 1 «si colloca sulla frontiera di Pareto del rapporto prestazioni-prezzo» per il ragionamento vocale di Big Bench Audio e per il benchmark di task agentici τ-Voice, e che supera GPT Realtime 2.1 in qualità, velocità e prezzo. L'unico dato di accuratezza che l'azienda pubblica è sulla pagina del modello: 98,8% su Big Bench Audio, descritto lì come «accuratezza sulle domande di ragionamento parlato del benchmark Big Bench Audio». È un dato del fornitore, prodotto dal fornitore, su un benchmark scelto dal fornitore, senza alcuna nota metodologica a corredo. La stessa pagina riporta una scheda P50 «tempo al primo audio» e una seconda scheda etichettata «latenza P50 su BigBench Audio», e nessun punteggio τ-Voice di alcun tipo. Non è pubblicato nemmeno un elenco delle lingue.

Quindi la lettura onesta è più ristretta di entrambi gli estremi. Non è un modello senza numeri — è un modello con un numero di accuratezza, un numero di latenza interna e nessuna verifica indipendente di nessuno dei due. La classifica speech-to-speech di Artificial Analysis non include MAI Realtime 1 al 18 novembre, il che significa che nessuno ha rieseguito quel 98,8% con un harness che puoi ispezionare. Trattalo come un'affermazione che capita di essere quantificata anziché come un risultato.

Questo non è un motivo per scartare il modello. È un motivo per trattare ogni confronto che leggi questa settimana, compreso quello nel post che l'ha fatto emergere, come un'impressione. "Sembrava molto vicino al modello G​PT Live" è un'affermazione verificabile che nessuno ha ancora testato pubblicamente, e nemmeno gli harness indipendenti hanno valutato MAI Realtime 1 — la classifica speech-to-speech di Artificial Analysis non lo include al 18 novembre. Il termine di paragone che Microsoft ha scelto per sé è G​PT Realtime 2.1, un modello vocale di ragionamento per token, non G​PT Live 1, quello full-duplex. Sono prodotti diversi con strutture di prezzo diverse, e il confronto diretto del fornitore non esiste per il secondo.

La questione Copilot

Ciò che i materiali di Microsoft dicono effettivamente su Copilot è specifico e molto più limitato di "Voice Mode". MAI Realtime 1 arriverà in Dynamics 365 Contact Center per il servizio clienti, e arriverà in Dragon Copilot per conversazioni simulate con i pazienti che aiutano gli infermieri a esercitarsi nelle interazioni cliniche. Entrambi sono nominati, entrambi sono implementazioni enterprise, entrambi al futuro.

Neppure Copilot Voice Mode fa eccezione. La trascrizione del keynote Ignite non menziona affatto Realtime 1 — compare solo nell'elenco delle storie correlate — e la pagina del modello non menziona Copilot in alcuna forma. Quindi l'affermazione secondo cui Realtime 1 alimenterà Voice Mode in Copilot è, a oggi, priva di fonti. Potrebbe benissimo rivelarsi vera; la voce consumer di Copilot è un luogo ovvio in cui collocare un modello dal prezzo di un centesimo al minuto. Ma una decisione di prodotto non annunciata non equivale a una che lo è stata, e pianificare una migrazione attorno a una roadmap non annunciata è il modo in cui i team finiscono con un'integrazione che nessuno supporta.

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.

Chi può chiamarlo, e come

Oggi la disponibilità si riduce a due porte, entrambe strette. C'è una demo in MAI Labs, la superficie di anteprima limitata di Microsoft per modelli nuovi e sperimentali: sessioni da due minuti, accesso obbligatorio con account, età minima 18 anni, solo per uso personale e non commerciale. Durante la nostra verifica la demo stessa ha segnalato "MAI Realtime is unavailable right now", un dettaglio che vale la pena conoscere prima di pianificare una valutazione del team basata su di essa. La seconda porta è l'anteprima ad accesso limitato di Foundry, raggiungibile tramite un modulo di registrazione anziché con una chiave self-serve.

Il dettaglio che conta di più per l'ingegneria è la compatibilità: MAI Realtime 1 parla la O​penAI Realtime API. Se il tuo stack vocale è già costruito su quell'interfaccia, una valutazione è un cambio di base-URL e di stringa del modello anziché una riscrittura — lo stesso vantaggio pratico che ElevenLabs si è assicurata distribuendo un endpoint Realtime compatibile con OpenAI. Se il tuo stack è costruito sul protocollo di sessione di un altro fornitore, l'anteprima è un vero progetto di porting indipendentemente dal prezzo.

Il passaggio di consegne del ragionamento è la parte su cui vale la pena progettare

Il design a due livelli è la cosa più significativa dell'annuncio, ed è quella che il titolo sul prezzo nasconde. Un centesimo compra il percorso veloce. Nel momento in cui un chiamante chiede qualcosa che richiede pianificazione, chiamate agli strumenti attraverso sistemi aziendali o una risposta accurata in più passaggi, il turno lascia il modello vocale e approda a un modello di ragionamento fatturato a $1 e $5 per milione di token. Si tratta di un normale listino prezzi per modelli testuali applicato a un prodotto vocale, il che significa che la tua fattura vocale ora contiene una fattura testuale e il tuo budget di latenza include un secondo modello.

Questo è esattamente il punto in cui ha senso collocare un router. OrcaRouter trasferisce il prezzo di listino del provider con 0% di ricarico, così quando la tariffa di un livello di reasoning cambia il numero riportato dal tuo gateway cambia lo stesso giorno anziché al rinnovo contrattuale successivo. Il failover automatico conta più qui che in un prodotto di chat: un turno vocale che si blocca è una persona in ascolto del silenzio, e una richiesta che passa a un secondo provider in 400 millisecondi è invisibile mentre una che ritenta per quattro secondi non lo è. Il DSL di routing è l'altra metà — il percorso conversazionale veloce e l'escalation di reasoning possono essere composti in un'unica chiamata, così il passaggio è una route anziché logica applicativa che devi mantenere tu.

Per essere precisi su ciò che gestiamo e ciò che non gestiamo: MAI Realtime 1 non è nel catalogo OrcaRouter. È raggiungibile tramite la demo di MAI Labs di Microsoft e l'anteprima ad accesso limitato di Foundry. I modelli di ragionamento dietro un agente vocale sono un'altra questione: è il livello che instradiamo, ed è il livello in cui una variazione di prezzo in giornata o un intoppo di un fornitore arriva davvero ai tuoi utenti.

Cosa misurare nell'anteprima, visto che Microsoft l'ha misurato in privato

Poiché l'anteprima non viene fatturata fino all'anteprima pubblica, il lavoro utile meno costoso questo mese è la misurazione anziché l'approvvigionamento. Quattro numeri decidono se il centesimo regge:

• Tasso di escalation — quale frazione di turni abbandona il percorso rapido per il livello di ragionamento. Questo converte $0,01 in un costo effettivo per chiamata, ed è l'unico dato che Microsoft ha completamente omesso.

• {{1}}Tempo al primo audio{{/1}}, misurato sul tuo percorso audio. La pagina del modello di Microsoft mostra una cifra P50 al riguardo, ma un P50 senza una distribuzione dietro non ti dice nulla sulla tua coda, e la coda è ciò che i chiamanti notano. Misura il turno più lento su cento, non la mediana.

• Comportamento in caso di interruzione con sovrapposizione reale: il fornitore sostiene che distingua i backchannel dalle interruzioni e dalle correzioni. È un'affermazione che puoi falsificare in un pomeriggio con audio di chiamate registrate, ed è la differenza tra un agente che appare naturale e uno che parla sopra gli altri.

• Tasso di errore sul vocabolario specifico del tuo dominio. È nell'audio dei contact center e in quello clinico che i modelli vocali generici falliscono, e i numeri clinici di Dragon Copilot non dicono nulla sui nomi dei tuoi prodotti.

Confrontali con un incumbent anziché con una scheda tecnica. La lettura onesta al 18 novembre è che MAI Realtime 1 ha il prezzo più aggressivo della categoria e le prove pubbliche più esili — un 98,8% non verificato e un percentile di latenza, contro concorrenti con harness che puoi ispezionare — che le sue ambizioni per Copilot sono documentate solo come implementazioni per contact center e formazione infermieristica, e che l’affermazione secondo cui alimenterà Copilot Voice Mode è un post, non un comunicato stampa. Un centesimo al minuto è abbastanza economico da testare e troppo economico per fidarsi senza misurazioni.