Um cartão de título gerado para o MAI Realtime 1 com os dizeres "Um centavo por minuto", com cartões para a tarifa de US$ 0,01 por minuto de áudio, o nível de raciocínio de US$ 1/US$ 5 por milhão, um resultado não auditado de 98,8% no Big Bench Audio e "Copilot Voice Mode: não anunciado", além de um logotipo da OrcaRouter.
Guides & Insights

O MAI Realtime 1 da Microsoft chega a um centavo por minuto — e a alegação sobre o Copilot não consta na documentação

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Em 17 de novembro de 2026, na Ignite, a Microsoft anunciou sete modelos. Um deles é MAI Realtime 1, o primeiro modelo de fala para fala da empresa, com preço de US$ 0,01 por minuto de áudio. A publicação no X que o colocou no nosso radar vai além do que as próprias páginas da Microsoft fazem: ela diz que Realtime 1 “vai alimentar o Voice Mode no Copilot” e que o modelo “parecia muito próximo do modelo G​PT Live”. Nenhuma das duas afirmações aparece em qualquer lugar do material de lançamento da Microsoft. O que o material diz, em vez disso, é mais restrito, mais interessante e mais fácil de planejar em torno: uma prévia de acesso limitado, uma interface compatível com a O​penAI Realtime API e um design de dois níveis que encaminha turnos difíceis para um mecanismo de raciocínio separado cobrado por token.

Essa lacuna entre o post e a papelada é a história que vale a pena registrar logo no primeiro dia, porque a versão de segunda mão já está circulando mais longe do que a de primeira mão. Eis o que está documentado, o que é afirmado sem números e o que você pode de fato chamar hoje.

Dois modelos lançados, não um.

O post cita ambos, e faz bem. O modelo de voz é MAI Realtime 1. O modelo de transcrição é Dragon Copilot Transcribe, construído sobre MAI Transcribe 2 — o caminho de ditado clínico da Microsoft, que, segundo a empresa, processa 100% da transcrição médico–paciente dentro do Dragon Copilot, cobre 10 milhões de atendimentos de pacientes por mês, é usado por um terço dos médicos dos EUA e reduz pela metade as taxas de erro multilíngues. Esses são números da Microsoft, não auditados, e descrevem uma linha de produto com anos de implantação por trás, e não um modelo anunciado ontem. É a metade mais madura do par e a menos discutida.

MAI Realtime 1 é a novidade. A Microsoft o descreve como um modelo de fala para fala "com fluxo conversacional natural e direcionamento preciso", combinando compreensão de áudio e geração de voz com raciocínio em tempo real para que uma única interface possa conduzir um agente de voz direcionável.

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.'

O que um centavo por minuto realmente compra

A tarifa de destaque é de US$ 0,01 por minuto de áudio de fala para fala. Esse é o número no título do artigo da própria Microsoft, e é um movimento genuíno de uma ordem de magnitude contra as APIs de voz às quais ele se dirige. Mas não é a conta inteira, e a estrutura importa mais do que o número de destaque:

Conversa base — US$ 0,01 por minuto de áudio, abrangendo o próprio ciclo de fala para fala.

• Raciocínio — cobrado separadamente a US$ 1,00 por milhão de tokens de entrada e US$ 5,00 por milhão de tokens de saída.

• Faturamento do preview — clientes no preview de acesso limitado do Foundry não são cobrados até o início do preview público. Tudo o que você medir no preview é gratuito, o que é o melhor motivo para começar agora em vez de na disponibilidade geral.

• O que não é publicado — não há número sobre com que frequência uma conversa escala para a camada de raciocínio. Sem isso, US$ 0,01 é um piso e não uma estimativa. Uma chamada de suporte que aciona o mecanismo de raciocínio em quatro turnos custa significativamente mais do que uma que nunca sai do caminho rápido, e a Microsoft não disse como é essa divisão na prática.

Compare isso com os modelos com os quais ele está sendo comparado desde o primeiro dia. O GPT Live 1 da OpenAI custa US$ 0,05 por minuto pela sessão de voz, cobrado por segundo, com o uso do modelo de backend e de ferramentas cobrados à parte. O GPT Realtime 2.1 da OpenAI tem preço por token — US$ 32 por milhão de tokens de entrada de áudio e US$ 64 por milhão de saída de áudio —, que a Artificial Analysis normaliza para cerca de US$ 10,75 por hora na configuração High. O Eleven Realtime Max da ElevenLabs fica em torno de US$ 4,80 por hora na mesma base independente. O centavo da Microsoft resulta em US$ 0,60 por hora antes de quaisquer tokens de raciocínio. Só na linha de voz, isso é uma diferença real; quando o raciocínio entra na conta, é um intervalo, não um número.

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'.

Quatro afirmações de capacidade, duas delas numeradas.

A lista de capacidades soa bem e é totalmente qualitativa. A Microsoft diz que o modelo lida com interrupções e confirmações rápidas e sabe quando deixar alguém terminar; que um sistema rápido mantém o diálogo em tempo real, enquanto as tarefas mais difíceis são encaminhadas para um motor de raciocínio mais forte sem uma pausa incómoda; que continua a reconhecer pedidos por cima de ruído de fundo e de outras vozes; que se liga a sistemas empresariais para realizar pedidos de várias etapas; e que o tom, o estilo e o comportamento podem ser orientados através de prompting.

Em contrapartida, o lado da medição é frágil e totalmente autodeclarado. A Microsoft afirma que o MAI Realtime 1 "está na fronteira de Pareto de desempenho-preço" para raciocínio de fala do Big Bench Audio e para o benchmark de tarefas agênticas τ-Voice, e que supera o GPT Realtime 2.1 em qualidade, velocidade e preço. O único número de precisão que a empresa divulga está na página do modelo: 98,8% no Big Bench Audio, descrito ali como "precisão em perguntas de raciocínio falado do benchmark Big Bench Audio". Trata-se de um número de fornecedor, produzido pelo fornecedor, em um benchmark escolhido pelo fornecedor, sem nenhuma nota de metodologia ao lado. A mesma página traz um cartão de "tempo até o primeiro áudio" P50 e um segundo cartão rotulado "Latência P50 no BigBench Audio", e nenhuma pontuação do τ-Voice de qualquer tipo. Também não é publicada nenhuma lista de idiomas.

Portanto, a leitura honesta é mais estreita do que qualquer um dos extremos. Não se trata de um modelo sem números — trata-se de um modelo com {{1}}um número de acurácia{{/1}}, {{2}}um número interno de latência{{/2}} e {{3}}nenhuma verificação independente de nenhum dos dois{{/3}}. {{4}}O ranking de fala para fala da Artificial Analysis não inclui o MAI Realtime 1 até 18 de novembro{{/4}}, o que significa que {{5}}ninguém executou novamente aqueles 98,8% sob uma estrutura de teste que você possa inspecionar{{/5}}. Trate isso como {{6}}uma alegação que por acaso é quantificada{{/6}} e não como {{7}}um resultado{{/7}}.

Isso não é motivo para descartar o modelo. É motivo para tratar toda comparação que você ler esta semana, inclusive a do post que a trouxe à tona, como uma impressão. “Parecia muito próximo do modelo GPT Live” é uma afirmação testável que ninguém testou publicamente ainda, e as bancadas independentes também não avaliaram o MAI Realtime 1 — o ranking de fala para fala da Artificial Analysis não o inclui em 18 de novembro. O alvo de comparação que a Microsoft escolheu para si mesma é o GPT Realtime 2.1, um modelo de voz de raciocínio por token, não o GPT Live 1, o full-duplex. São produtos diferentes com estruturas de preço diferentes, e o confronto direto do fornecedor não existe para o segundo.

A questão do Copilot

O que os materiais da Microsoft realmente dizem sobre o Copilot é específico e muito mais restrito do que o "Modo de Voz". O MAI Realtime 1 está chegando ao Dynamics 365 Contact Center para atendimento ao cliente, e está chegando ao Dragon Copilot para conversas simuladas com pacientes que ajudam enfermeiros a ensaiar interações clínicas. Ambos têm nome, ambos são implantações empresariais, ambos estão no futuro.

O Copilot Voice Mode também não. A transcrição do keynote do Ignite não menciona o Realtime 1 em momento algum — ele aparece apenas na lista de matérias relacionadas —, e a página do modelo não menciona o Copilot de forma alguma. Portanto, a afirmação de que o Realtime 1 alimentará o Voice Mode no Copilot está, até o momento, sem fonte. Pode muito bem ser verdade; a voz do Copilot para consumidores é um lugar óbvio para colocar um modelo com preço de um centavo por minuto. Mas uma decisão de produto que não foi anunciada não é o mesmo que uma que foi, e planejar uma migração com base em um roteiro não anunciado é assim que equipes acabam com uma integração que ninguém oferece suporte.

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.

Quem pode chamá-lo, e como

A disponibilidade hoje se dá por duas portas, ambas estreitas. Há uma demonstração no MAI Labs, a superfície de prévia limitada da Microsoft para modelos novos e experimentais: sessões de dois minutos, login obrigatório, 18 anos ou mais, apenas para uso pessoal e não comercial. Durante nossa verificação, a própria demonstração informou que "o MAI Realtime está indisponível no momento", o que vale saber antes de planejar uma avaliação em equipe com base nela. A segunda porta é a prévia de acesso limitado do Foundry, acessada por meio de um formulário de registro, e não de uma chave de autoatendimento.

O detalhe mais importante para a engenharia é a compatibilidade: o MAI Realtime 1 fala a O​penAI Realtime API. Se sua stack de voz já foi construída para essa interface, uma avaliação é uma mudança de URL base e de string de modelo, não uma reescrita — a mesma vantagem prática que a ElevenLabs obteve ao lançar um endpoint Realtime compatível com OpenAI. Se sua stack foi construída para o protocolo de sessão de outro fornecedor, o preview é um projeto de portabilidade real, independentemente do preço.

A transferência do raciocínio é a parte que vale a pena projetar.

O design de dois níveis é a coisa de maior impacto no anúncio, e é justamente o que a manchete de preço esconde. Um centavo compra o caminho rápido. No momento em que alguém que liga pede algo que exige planejamento, chamadas de ferramentas em sistemas corporativos ou uma resposta cuidadosa em várias etapas, o turno sai do modelo de fala e vai para um modelo de raciocínio cobrado a US$ 1 e US$ 5 por milhão de tokens. Essa é uma tabela de preços comum de modelo de texto anexada a um produto de voz, o que significa que sua fatura de voz agora tem uma fatura de texto dentro dela e seu orçamento de latência tem um segundo modelo nele.

É exatamente nessa junção que um roteador se encaixa. OrcaRouter repassa o preço de tabela do provedor com 0% de margem, então, quando a tarifa de um nível de raciocínio muda, o número que seu gateway informa muda no mesmo dia em vez de na próxima renovação de contrato. O failover automático importa mais aqui do que em um produto de chat: um turno de voz que trava é uma pessoa ouvindo silêncio, e uma solicitação que recorre a um segundo provedor em 400 milissegundos é invisível, enquanto uma que tenta novamente por quatro segundos não é. A DSL de roteamento é a outra metade — o caminho conversacional rápido e a escalada para raciocínio podem ser compostos em uma única chamada, de modo que a transição seja uma rota, e não lógica de aplicação que você mantém por conta própria.

Para ser exato sobre o que oferecemos e o que não oferecemos: o MAI Realtime 1 não está no catálogo do OrcaRouter. Ele pode ser acessado pela demonstração do MAI Labs da Microsoft e pela prévia de acesso limitado do Foundry. Os modelos de raciocínio por trás de um agente de voz são outra questão — essa é a camada que roteamos, e é a camada em que uma mudança de preço no mesmo dia ou uma instabilidade de um provedor realmente chega aos seus usuários.

O que medir na prévia, já que a Microsoft mediu isso de forma privada

Como a prévia não é cobrada até a prévia pública, o trabalho útil mais barato neste mês é a medição, e não a contratação. Quatro números decidem se o centavo se sustenta:

• Taxa de escalonamento — que fração dos turnos sai do caminho rápido para a camada de raciocínio. Isso converte US$ 0,01 em um custo real por chamada, e é o único número que a Microsoft deixou de fora por completo.

• Tempo até o primeiro áudio, medido no seu próprio caminho de áudio. A página do modelo da Microsoft mostra um valor P50 para isso, mas um P50 sem uma distribuição por trás não diz nada sobre sua cauda, e a cauda é o que os chamadores percebem. Meça o turno mais lento em cem, não a mediana.

• Comportamento de interrupção em sobreposição real — a alegação do fornecedor é que ele distingue backchannels de interrupções e de correções. É uma alegação que você pode refutar em uma tarde com áudio gravado de chamadas, e é a diferença entre um agente que parece natural e um que fala por cima das pessoas.

• Taxa de erro no vocabulário do seu próprio domínio. É no áudio de contact centers e clínico que os modelos de fala genéricos falham, e os números clínicos do Dragon Copilot não dizem nada sobre os nomes dos seus produtos.

Coloque isso à prova contra um fornecedor incumbente, e não contra uma ficha técnica. A leitura honesta em 18 de novembro é que o MAI Realtime 1 tem o preço mais agressivo da categoria e a evidência pública mais escassa — um único 98,8% não auditado e um percentil de latência, contra concorrentes com harnesses que você pode inspecionar —, que suas ambições para o Copilot estão documentadas apenas como implantações em contact center e treinamento de enfermeiros, e que a alegação de que ele alimentará o Copilot Voice Mode é um post, não um comunicado à imprensa. Um centavo por minuto é barato o suficiente para testar e barato demais para confiar sem medir.