MAI Realtime 1 の生成タイトルカードで、「1分1セント」と表示され、$0.01の音声1分料金、100万トークンあたり$1/$5の推論ティア、Big Bench Audioでの未監査の98.8%、および「Copilot Voice Mode: 未発表」のカード、さらにOrcaRouterのロゴが含まれている。
Guides & Insights

MicrosoftのMAI Realtime 1が毎分1セントで登場——Copilotに関する主張は書類には記載なし

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

2026年11月17日、Igniteにて、Microsoftは7つのモデルを発表した。そのうちの1つがMAI Realtime 1であり、同社初の音声対音声モデルで、価格は音声1分あたり0.01ドルだ。これを我々の目に留まらせたXの投稿は、Microsoft自身のページよりも踏み込んでいる。投稿にはRealtime 1が「CopilotのVoice Modeを動かす」とあり、このモデルは「G​PT Liveモデルに非常に近い感触だった」という。どちらの主張も、Microsoftの発表資料のどこにも見当たらない。代わりに資料が述べているのは、より限定的で、より興味深く、計画を立てやすい内容だ。すなわち、限定アクセスのプレビュー、O​penAI Realtime API互換のインターフェース、そして難しいターンをトークン単位で課金される別個の推論エンジンに委ねる2層設計である。

投稿と書類の間にあるそのギャップこそ、初日に書き留めておく価値のある話だ。なぜなら、伝聞で聞いた版は、すでに一次情報の版よりも遠くまで広がっているからだ。ここでは、文書に残っていること、数字の裏づけなしに主張されていること、そして今日実際に電話できる窓口を示す。

1モデルではなく2モデルを出荷

この投稿は両方の名前を挙げており、それは妥当だ。音声モデルはMAI Realtime 1だ。文字起こしモデルはDragon Copilot Transcribeで、これはMAI Transcribe 2を基盤としている——Microsoftの臨床ディクテーションの道筋であり、同社によればDragon Copilot内の医師と患者の文字起こしを100%処理し、月間1,000万件の患者との診療に対応し、米国の医師の3分の1に利用され、多言語でのエラー率を半減させるという。これらはMicrosoftの数字であり、監査を受けたものではなく、昨日発表されたモデルではなく、長年の導入実績を持つ製品ラインを説明するものだ。これはこのペアの中でより成熟した側であり、あまり論じられていない側でもある。

MAI Realtime 1は新しい注目の的だ。Microsoftはこれを、「自然な会話の流れと精密な操作性を備えた」音声-to-音声モデルと説明しており、音声理解と音声生成をリアルタイム推論によって組み合わせることで、単一のインターフェースが操作性の高い音声エージェントを担えるようにしている。

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.'

1分1セントで実際に何が買えるのか

見出しの料金は、音声対音声の音声1分あたり$0.01です。これはMicrosoft自身の記事タイトルにある数字であり、同社が狙いを定める音声APIに対して、まさに桁違いの動きです。しかし、それは請求額のすべてではなく、見出しの数字よりも構造のほうが重要です:

• 基本会話 — 音声1分あたり$0.01、音声to音声ループ自体をカバーします。

• 推論 — 入力トークン100万件あたり$1.00、出力トークン100万件あたり$5.00で別途請求されます。

• プレビュー版の課金 — Foundryの限定アクセスプレビューをご利用のお客様は、パブリックプレビューが始まるまで課金されません。プレビュー期間中に測定したものはすべて無料であり、これが一般提供開始を待たずに今すぐ始めるべき最大の理由です。

• 公表されていないこと — 会話が推論ティアにエスカレートする頻度を示す数字はない。それがなければ、$0.01 は推定値ではなく下限にすぎない。4ターンのやり取りで推論エンジンに到達するサポート通話は、ファストパスから一度も外れない通話よりもかなりコストがかかるが、実際にその内訳がどうなるかは Microsoft は明らかにしていない。

それを、初日から比較対象となっているモデルと突き合わせてみよう。OpenAIのGPT Live 1は音声セッションが1分0.05ドルで、秒単位で課金され、さらにバックエンドのモデルとツールの利用料が加算される。OpenAIのGPT Realtime 2.1は代わりにトークン単位の価格設定で、音声入力トークン100万あたり32ドル、音声出力100万あたり64ドルとなり、Artificial AnalysisはこれをHigh設定でおよそ1時間10.75ドルに換算している。ElevenLabsのEleven Realtime Maxは同じ独立基準で1時間あたり約4.80ドルとなる。Microsoftのcentは推論トークンを一切含める前で1時間0.60ドルになる。音声回線だけでもそれは実際の差であり、推論が請求に加わると、それはもはや単一の数字ではなく幅になる。

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'.

能力に関する4つの主張、そのうち2つは番号付き

能力一覧は読み応えがあり、完全に定性的だ。Microsoftによると、このモデルは中断や短い相づちに対応し、相手に話を最後までさせてやるべきタイミングを心得ている。高速なシステムが対話をリアルタイムに保つ一方で、難易度の高いタスクは不自然な間を生じさせずにより強力な推論エンジンへ振り分けられる。背景騒音や他の声が混じっていても要求を認識でき、企業システムに接続して複数ステップの要求を実行でき、トーン、スタイル、振る舞いはプロンプトで誘導できる。

それに対して、測定面は薄く、しかもすべて自己申告だ。Microsoftは、MAI Realtime 1がBig Bench Audioの音声推論とτ-Voiceエージェントタスクベンチマークにおいて「性能対価格のパレートフロンティア上にある」と述べ、品質・速度・価格でG​PT Realtime 2.1を上回るとしている。同社が公表している唯一の精度数値はモデルページにあり、Big Bench Audioで98.8%——そこでは「Big Bench Audioベンチマークの音声推論質問における精度」と説明されている。これはベンダーが選んだベンチマークについて、ベンダー自身が算出したベンダー数値であり、そばに方法論の注記はない。同じページにはP50の「初回音声までの時間」カードと、「BigBench AudioにおけるP50レイテンシ」とラベルされた2枚目のカードがあり、τ-Voiceのスコアはどの種類も載っていない。言語リストも公表されていない。

正直に読めば、どちらの極端よりも狭い見方になる。これは数値がまったくないモデルではない。精度の数値が1つ、内部レイテンシの数値が1つあり、そのどちらにも独立した検証がないモデルだ。Artificial Analysisのspeech-to-speechボードは11月18日時点でMAI Realtime 1を掲載していない。つまり、誰もその98.8%を検査可能なハーネスの下で再実行していないということだ。これは結果としてではなく、たまたま数値化された主張として扱うべきだ。

これはモデルを切り捨てる理由ではない。今週目にするあらゆる比較を——それを取り上げて広めた投稿内の比較も含めて——印象として扱う理由である。「GPT Liveモデルに非常に近いと感じた」は検証可能な主張だが、まだ誰も公の場で検証していない。独立系の評価ハーネスもMAI Realtime 1を採点していない。Artificial Analysisの音声対音声ボードには11月18日時点で掲載されていない。マイクロソフトが自社の比較対象に選んだのはGPT Realtime 2.1であり、トークン単位で推論する音声モデルであって、全二重のGPT Live 1ではない。これらは価格体系の異なる別製品であり、2つ目についてはベンダーによる直接比較が存在しない。

Copilotに関する問い

CopilotについてMicrosoftの資料が実際に述べている内容は具体的であり、「Voice Mode」よりもはるかに狭い範囲にとどまります。MAI Realtime 1はDynamics 365 Contact Centerのカスタマーサービス向けに提供され、またDragon Copilotでは、看護師が臨床でのやり取りを練習できるよう、模擬患者との会話のために提供されます。いずれも名称が示されており、いずれも企業向けの導入であり、いずれも未来形です。

Copilot Voice Mode も同様だ。Ignite の基調講演の書き起こしには Realtime 1 について一切言及がなく、関連ストーリーの一覧にしか登場しない。そしてモデルのページには、Copilot がどのような形でも記載されていない。つまり、Realtime 1 が Copilot の Voice Mode を支えるという主張は、現時点では出典のないものだ。実際にそうなる可能性は十分にある。1分1セントという価格のモデルを投入する先として、コンシューマー向け Copilot の音声機能は明白な候補だからだ。しかし、発表されていない製品上の決定は、発表済みの決定とは同じではない。未発表のロードマップを前提に移行を計画するのは、誰もサポートしていない統合に行き着く典型的なパターンだ。

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.

誰がそれを呼び出せるのか、またどのようにしてですか?

今日利用できる手段は2つあり、どちらも狭き門です。デモがあるのはMAI Labs、Microsoftが新しい実験的モデル向けに提供する限定プレビュー環境です。2分間のセッション、サインイン必須、18歳以上、個人による非商用利用に限られます。私たちの確認時、デモ自体が「MAI Realtimeは現在利用できません」と表示しました。チームでの評価を計画する前に知っておく価値があります。もう1つの手段はFoundryの限定アクセスプレビューで、セルフサービス式のキーではなく登録フォーム経由でアクセスします。

エンジニアリングで最も重要な点は互換性です。MAI Realtime 1 が話すのはO​penAI Realtime APIです。音声スタックがすでにこのインターフェース向けに構築されているなら、評価は書き直しではなく、ベース URL とモデル文字列の変更で済みます。これは ElevenLabs が OpenAI 互換の Realtime エンドポイントを提供することで手に入れたのと同じ実利的な利点です。スタックが別ベンダーのセッションプロトコル向けに構築されているなら、価格に関係なく、このプレビューは本格的な移植プロジェクトになります。

推論の受け渡しこそ、設計の中心に据える価値がある部分です。

二層設計はこの発表で最も重大な点であり、価格の見出しが隠しているものでもある。1セントで高速経路が手に入る。発信者が、計画、企業システム全体にまたがるツール呼び出し、または慎重な複数ステップの回答を必要とする何かを尋ねた瞬間、そのターンは音声モデルを離れ、100万トークンあたり1ドルと5ドルで課金される推論モデルに渡る。これは音声製品に付随する普通のテキストモデルの料金表であり、つまり音声の請求の中にテキストの請求が入り、レイテンシ予算の中に2つ目のモデルが入るということだ。

まさにそこが、ルーターの入るべき継ぎ目です。OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま通し、そのため推論ティアの料金が変わるとゲートウェイが報告する数値も同日に変わります。次の契約更新時まで待つ必要はありません。自動フェイルオーバーはチャット製品よりもここで重要です。音声のターンが止まると、人は沈黙を聞くことになり、400ミリ秒で2番目のプロバイダーにフォールバックするリクエストは気づかれませんが、4秒間リトライするリクエストは気づかれます。ルーティングDSLがもう一方の要です — 高速な会話パスと推論へのエスカレーションを1つの呼び出しにまとめられるので、引き継ぎは、自分で保守するアプリケーションロジックではなく、ルートになります。

私たちが何を取り扱い、何を取り扱っていないかを正確に言うと、MAI Realtime 1はOrcaRouterのカタログにはありません。MicrosoftのMAI LabsデモとFoundryの限定アクセスプレビューを通じて利用できます。音声エージェントを支える推論モデルは別の話です。それは私たちがルーティングする層であり、当日の価格変更やプロバイダーの一時的な不具合が実際にユーザーに届く層でもあります。

Microsoft が非公開で測定したため、プレビューでは何を測定すべきか

パブリックプレビューまではプレビューが課金されないため、今月もっとも安価で有用な作業は調達ではなく測定です。その1セントが成り立つかどうかは、次の4つの数値で決まります:

• エスカレーション率 — ターンのうち何割がファストパスを離れて推論ティアに回るか。これにより$0.01が実際の呼び出しあたりのコストになり、これはMicrosoftが完全に省いている唯一の数値です。

• 最初の音声までの時間(Time to first audio)を、自社の音声経路で測定してください。Microsoft のモデルページにはその P50 値が示されていますが、分布を伴わない P50 だけではテールについて何も分かりません。そして、通話者が気づくのはこのテールです。中央値ではなく、100 回の中で最も遅いターンを測定してください。

・実際の発話重複における割り込み挙動 — ベンダーの主張は、あいづち(バックチャネル)と割り込みと訂正を区別できるというものだ。これは録音した通話音声を使えば半日で反証できる主張であり、エージェントが自然に感じられるか、相手の発話に被せて話してしまうかの違いである。

• 自社固有のドメイン語彙におけるエラー率。コンタクトセンターや臨床音声は汎用音声モデルが失敗する領域であり、Dragon Copilotの臨床に関する数値は、あなたの製品名について何も示しません。

それらはスペックシートではなく、既存の一製品に対して試すべきだ。11月18日時点の率直な評価は次のとおりだ。MAI Realtime 1はカテゴリーで最も攻めた価格設定と最も乏しい公開エビデンス——監査未実施の98.8%という数値1件とレイテンシのパーセンタイル値のみで、競合には検査可能なハーネスがある——を持ち、そのCopilot構想はコンタクトセンターと看護師研修への導入としてしか文書化されておらず、Copilot Voice Modeを支えるという主張はプレスリリースではなく投稿にすぎない。毎分1セントは試すには十分安く、測定しないまま信頼するには安すぎる。