Wygenerowana karta tytułowa dla MAI Realtime 1 z napisem „Cent za minutę”, z kartami dla stawki $0.01 za minutę audio, poziomu rozumowania $1/$5 za milion, nieaudytowanego wyniku 98,8% w Big Bench Audio oraz „Copilot Voice Mode: nie ogłoszono”, a także logo OrcaRouter.
Guides & Insights

MAI Realtime 1 od Microsoftu debiutuje za centa za minutę — a deklaracji o Copilot nie ma w dokumentacji

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

17 listopada 2026 r. na konferencji Ignite firma Microsoft ogłosiła siedem modeli. Jednym z nich jest MAI Realtime 1, pierwszy model mowy na mowę tej firmy, w cenie 0,01 USD za minutę audio. Post na X, dzięki któremu zwróciliśmy na niego uwagę, idzie dalej niż własne strony Microsoftu: twierdzi, że Realtime 1 „będzie napędzać tryb głosowy w Copilot” oraz że model „sprawiał wrażenie bardzo bliskiego modelowi G​PT Live”. Żadne z tych twierdzeń nie pojawia się w materiałach premierowych Microsoftu. To, co materiały mówią zamiast tego, jest węższe, ciekawsze i łatwiejsze do zaplanowania: podgląd o ograniczonym dostępie, interfejs zgodny z O​penAI Realtime API oraz dwupoziomowa konstrukcja, która trudne tury przekazuje osobnemu silnikowi rozumowania rozliczanemu za token.

Ta luka między postem a dokumentacją to historia, którą warto spisać już pierwszego dnia, bo wersja z drugiej ręki krąży już dalej niż ta z pierwszej. Oto co jest udokumentowane, co się twierdzi bez liczb i na co możesz dziś naprawdę zadzwonić.

Wydano dwa modele, a nie jeden

Wpis wymienia oba i słusznie. Model głosowy to MAI Realtime 1. Model transkrypcji to Dragon Copilot Transcribe, zbudowany na MAI Transcribe 2 — ścieżka dyktowania klinicznego firmy Microsoft, która, jak twierdzi firma, obsługuje 100% transkrypcji rozmów lekarz–pacjent w Dragon Copilot, obejmuje 10 milionów kontaktów z pacjentami miesięcznie, jest używana przez jedną trzecią lekarzy w USA i o połowę zmniejsza wskaźniki błędów w wielu językach. To dane Microsoftu, nieaudytowane, i opisują linię produktów z wieloletnim wdrożeniem za sobą, a nie model ogłoszony wczoraj. To dojrzalsza połowa tej pary i ta rzadziej omawiana.

MAI Realtime 1 to nowość. Microsoft opisuje go jako model mowy na mowę „o naturalnym przepływie konwersacji i precyzyjnej sterowalności”, łączący rozumienie dźwięku i generowanie głosu z wnioskowaniem w czasie rzeczywistym, dzięki czemu pojedynczy interfejs może obsługiwać sterowalnego agenta głosowego.

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.'

Co tak naprawdę daje cent na minutę

Stawka z nagłówka wynosi $0.01 za minutę audio w trybie mowa-do-mowy. To liczba z tytułu artykułu samego Microsoftu i jest to prawdziwy ruch o rząd wielkości względem API głosowych, w które celuje. Ale to nie cały rachunek, a struktura ma większe znaczenie niż nagłówek:

• Podstawowa rozmowa — 0,01 USD za minutę audio, obejmująca samą pętlę mowa-do-mowy.

• Rozumowanie — rozliczane osobno: 1,00 USD za milion tokenów wejściowych i 5,00 USD za milion tokenów wyjściowych.

• Rozliczenia w wersji zapoznawczej — klienci korzystający z wersji zapoznawczej Foundry o ograniczonym dostępie nie są obciążani opłatami do rozpoczęcia publicznej wersji zapoznawczej. Wszystko, co zmierzysz w wersji zapoznawczej, jest bezpłatne, co stanowi najlepszy powód, by zacząć teraz, a nie dopiero w momencie ogólnej dostępności.

• Czego nie opublikowano — brak danych, jak często rozmowa przechodzi na poziom rozumowania. Bez tego 0,01 USD to dolna granica, a nie szacunek. Rozmowa z pomocą techniczną, która w czterech turach trafia do silnika rozumowania, kosztuje znacząco więcej niż taka, która nigdy nie opuszcza szybkiej ścieżki, a Microsoft nie ujawnił, jak ten podział wygląda w praktyce.

Zestaw to z modelami, z którymi jest porównywany od pierwszego dnia. GPT Live 1 od OpenAI kosztuje 0,05 USD za minutę sesji głosowej, rozliczane co sekundę, a na dodatek dochodzi użycie modelu backendowego i narzędzi. GPT Realtime 2.1 od OpenAI jest natomiast wyceniany za token — 32 USD za milion wejściowych tokenów audio i 64 USD za milion wyjściowych tokenów audio — co Artificial Analysis normalizuje do około 10,75 USD za godzinę w ustawieniu High. Eleven Realtime Max od ElevenLabs wypada na około 4,80 USD za godzinę na tej samej niezależnej podstawie. cent Microsoftu wynosi 0,60 USD za godzinę przed uwzględnieniem jakichkolwiek tokenów rozumowania. Już na samej linii głosowej to realna różnica; gdy do rachunku wchodzi rozumowanie, to zakres, a nie liczba.

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'.

Cztery twierdzenia o możliwościach, z których dwa są ponumerowane.

Lista możliwości czyta się dobrze i ma wyłącznie charakter jakościowy. Microsoft twierdzi, że model radzi sobie z przerywaniem i szybkimi potwierdzeniami oraz wie, kiedy pozwolić rozmówcy dokończyć; że szybki system utrzymuje dialog w czasie rzeczywistym, a trudniejsze zadania trafiają do wydajniejszego silnika rozumowania bez niezręcznej pauzy; że nadal rozpoznaje polecenia mimo hałasu w tle i innych głosów; że łączy się z systemami korporacyjnymi, aby realizować wieloetapowe polecenia; oraz że tonem, stylem i zachowaniem można sterować za pomocą promptów.

W przeciwieństwie do tego strona pomiarowa jest uboga i w całości opiera się na danych deklarowanych przez producenta. Microsoft twierdzi, że MAI Realtime 1 „znajduje się na granicy Pareto wydajności względem ceny” w przypadku rozumowania głosowego Big Bench Audio i benchmarku zadań agentowych τ-Voice oraz że przewyższa G​PT Realtime 2.1 pod względem jakości, szybkości i ceny. Jedyną liczbą dotyczącą dokładności, którą firma publikuje, jest ta na stronie modelu: 98,8% w Big Bench Audio, opisana tam jako „dokładność w pytaniach rozumowania mówionego z benchmarku Big Bench Audio”. To liczba dostawcy, uzyskana przez dostawcę, na benchmarku wybranym przez dostawcę, bez żadnej noty metodologicznej obok. Ta sama strona zawiera kartę P50 „czas do pierwszego dźwięku” oraz drugą kartę oznaczoną „opóźnienie P50 w BigBench Audio”, ale nie podaje żadnego wyniku τ-Voice. Nie opublikowano też żadnej listy języków.

Uczciwa interpretacja jest więc węższa niż obie skrajności. To nie jest model bez żadnych liczb — to model z jedną liczbą dotyczącą dokładności, jedną wewnętrzną liczbą dotyczącą opóźnienia i bez niezależnej weryfikacji którejkolwiek z nich. Ranking speech-to-speech Artificial Analysis nie uwzględnia MAI Realtime 1 na dzień 18 listopada, co oznacza, że nikt nie powtórzył tych 98,8% w środowisku testowym, które można sprawdzić. Traktuj to jako twierdzenie, które akurat ma postać liczbową, a nie jako wynik.

To nie jest powód, by odrzucać model. To powód, by każde porównanie, które przeczytasz w tym tygodniu — w tym to z wpisu, który je ujawnił — traktować jako wrażenie. „Sprawiało wrażenie bardzo zbliżonego do modelu GPT Live” to twierdzenie, które można przetestować, a którego nikt jeszcze publicznie nie przetestował; niezależne zestawy testowe nie oceniły też MAI Realtime 1 — ranking mowa-do-mowy Artificial Analysis nie uwzględnia go na dzień 18 listopada. Punktem odniesienia, który Microsoft wybrał dla siebie, jest GPT Realtime 2.1, model głosowy rozumujący token po tokenie, a nie GPT Live 1, model pełnodupleksowy. To różne produkty o różnych strukturach cenowych, a bezpośredniego porównania dostawców dla drugiego z nich nie ma.

Pytanie o Copilota

To, co materiały Microsoftu faktycznie mówią o Copilot, jest konkretne i znacznie węższe niż „Tryb głosowy”. MAI Realtime 1 trafi do Dynamics 365 Contact Center na potrzeby obsługi klienta, a także trafi do Dragon Copilot na potrzeby symulowanych rozmów z pacjentami, które pomagają pielęgniarkom ćwiczyć interakcje kliniczne. Oba mają nazwy, oba są wdrożeniami korporacyjnymi, oba ujęto w czasie przyszłym.

Copilot Voice Mode również nie. Transkrypcja keynote Ignite w ogóle nie wspomina o Realtime 1 — pojawia się on wyłącznie na liście powiązanych materiałów — a strona modelu nie wspomina o Copilot w żadnej formie. Zatem twierdzenie, że Realtime 1 będzie napędzać Voice Mode w Copilot, jest na dzień dzisiejszy niepoparte źródłami. Niewykluczone, że okaże się prawdziwe; głos Copilot dla konsumentów to oczywiste miejsce, by umieścić model wyceniony na centa za minutę. Ale decyzja produktowa, która nie została ogłoszona, to nie to samo co decyzja ogłoszona, a planowanie migracji w oparciu o nieogłoszoną roadmapę to sposób, w jaki zespoły kończą z integracją, której nikt nie wspiera.

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.

Kto może to wywołać i w jaki sposób

Dostępność na dziś to dwoje drzwi, oba wąskie. Demo znajduje się w MAI Labs, środowisku ograniczonego podglądu Microsoftu dla nowych i eksperymentalnych modeli: sesje dwuminutowe, wymagane zalogowanie, wiek 18+, wyłącznie do użytku osobistego i niekomercyjnego. Podczas naszej weryfikacji samo demo zgłosiło komunikat „MAI Realtime jest teraz niedostępny”, co warto wiedzieć, zanim zaplanujesz na tej podstawie ocenę zespołową. Drugie drzwi to podgląd Foundry o ograniczonym dostępie, do którego prowadzi formularz rejestracyjny, a nie samoobsługowy klucz.

Najważniejszym szczegółem z punktu widzenia inżynierii jest kompatybilność: MAI Realtime 1 obsługuje O​penAI Realtime API. Jeśli Twój stack głosowy jest już zbudowany w oparciu o ten interfejs, ewaluacja sprowadza się do zmiany base-URL i nazwy modelu, a nie do przepisania kodu — to ta sama praktyczna zaleta, którą ElevenLabs zapewnił sobie, udostępniając kompatybilny z OpenAI endpoint Realtime. Jeśli Twój stack jest zbudowany w oparciu o protokół sesji innego dostawcy, wersja preview oznacza prawdziwy projekt portowania, niezależnie od ceny.

Przekazanie rozumowania to ta część, wokół której warto projektować.

Dwupoziomowa konstrukcja to najdonioślejsza rzecz w tym ogłoszeniu — i właśnie ją ukrywa nagłówek o cenie. Jeden cent kupuje szybką ścieżkę. W chwili, gdy dzwoniący zapyta o coś, co wymaga planowania, wywołań narzędzi w systemach korporacyjnych albo starannej wieloetapowej odpowiedzi, tura opuszcza model mowy i trafia do modelu rozumowania rozliczanego po $1 i $5 za milion tokenów. To zwyczajny cennik modelu tekstowego doczepiony do produktu głosowego, co oznacza, że rachunek za głos ma teraz w środku rachunek za tekst, a budżet opóźnień ma w sobie drugi model.

To jest dokładnie ten szew, w który należy wpiąć router. OrcaRouter przekazuje cenę katalogową dostawcy bez marży (0%), więc gdy zmienia się stawka poziomu rozumowania, liczba zgłaszana przez Twoją bramę zmienia się tego samego dnia zamiast przy kolejnym odnowieniu umowy. Automatyczne przełączanie awaryjne ma tu większe znaczenie niż w produkcie czatowym: tura głosowa, która się zacina, to osoba słuchająca ciszy, a żądanie, które w ciągu 400 milisekund przełącza się na drugiego dostawcę, jest niezauważalne, podczas gdy takie, które ponawia próby przez cztery sekundy, już nie. DSL routingu to druga połowa — szybka ścieżka konwersacyjna i eskalacja do rozumowania mogą zostać złożone w jedno wywołanie, dzięki czemu przekazanie jest trasą, a nie logiką aplikacji, którą utrzymujesz samodzielnie.

Aby było jasne, co mamy w ofercie, a czego nie: MAI Realtime 1 nie znajduje się w katalogu OrcaRouter. Jest dostępny poprzez demonstrację Microsoft MAI Labs oraz ograniczony dostęp w wersji zapoznawczej Foundry. Modele rozumowania stojące za agentem głosowym to inna sprawa — to warstwa, którą routujemy, i to warstwa, w której zmiana ceny tego samego dnia lub chwilowy problem u dostawcy faktycznie dociera do Twoich użytkowników.

Co mierzyć w wersji zapoznawczej, skoro Microsoft zmierzył to prywatnie

Ponieważ wersja zapoznawcza jest bezpłatna aż do publicznej wersji zapoznawczej, najtańszą użyteczną pracą w tym miesiącu jest pomiar, a nie zakup. Cztery liczby decydują o tym, czy cent się utrzyma:

• Wskaźnik eskalacji — jaka część tur opuszcza szybką ścieżkę na rzecz poziomu rozumowania. To zamienia 0,01 USD w rzeczywisty koszt na wywołanie i jest to jedyna liczba, którą Microsoft całkowicie pominął.

• Czas do pierwszego dźwięku, mierzony na własnej ścieżce audio. Strona modelu Microsoftu podaje dla niego wartość P50, ale P50 bez rozkładu za sobą nie mówi nic o twoim ogonie, a to ogon zauważają dzwoniący. Mierz najwolniejszą z setki tur, a nie medianę.

• Zachowanie przy przerwaniach w warunkach rzeczywistego nakładania się mowy — dostawca twierdzi, że odróżnia sygnały podtrzymujące rozmowę od przerwań i korekt. To twierdzenie można obalić w jedno popołudnie za pomocą nagranego audio z rozmowy, a to właśnie różnica między agentem, który brzmi naturalnie, a takim, który wchodzi ludziom w słowo.

• Wskaźnik błędów dla własnego słownictwa domenowego. Audio z centrów kontaktowych i nagrania kliniczne to obszary, w których ogólne modele mowy zawodzą, a kliniczne wyniki Dragon Copilot nic nie mówią o nazwach Twoich produktów.

Skonfrontuj je z jednym z obecnych dostawców, a nie z kartą specyfikacji. Uczciwa ocena na dzień 18 listopada jest taka, że MAI Realtime 1 ma najbardziej agresywną cenę w kategorii i najcieńszą publiczną bazę dowodową — jeden nieaudytowany wynik 98,8% i percentyl opóźnienia, wobec konkurentów z zestawami testowymi, które można przejrzeć — że ambicje związane z Copilot są udokumentowane wyłącznie jako wdrożenia w centrach kontaktowych i na szkoleniach pielęgniarek oraz że twierdzenie, iż będzie napędzać Copilot Voice Mode, to wpis, a nie komunikat prasowy. Cent za minutę jest wystarczająco tani, by go przetestować, i zbyt tani, by mu ufać bez pomiaru.