Сгенерированная титульная карточка для MAI Realtime 1 с надписью «Цент в минуту», с карточками для ставки $0.01 за аудиоминуту, тарифа рассуждений $1/$5 за миллион, неподтверждённых аудитом 98,8% на Big Bench Audio и «Copilot Voice Mode: не объявлен», а также логотип OrcaRouter.
Guides & Insights

Microsoft MAI Realtime 1 выходит по цене один цент в минуту — а утверждения о Copilot нет в документации

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

17 ноября 2026 года на Ignite компания Microsoft анонсировала семь моделей. Одна из них — MAI Realtime 1, первая модель компании для преобразования речи в речь по цене $0,01 за минуту аудио. Пост в X, который привлёк к ней наше внимание, сообщает больше, чем собственные страницы Microsoft: в нём говорится, что Realtime 1 «будет обеспечивать Voice Mode в Copilot», а модель «ощущалась очень близкой к модели G​PT Live». Ни одно из этих утверждений нигде не встречается в материалах Microsoft о запуске. Вместо этого в материалах говорится о более узком, более интересном и более удобном для планирования варианте: превью с ограниченным доступом, интерфейс, совместимый с O​penAI Realtime API, и двухуровневая схема, которая передаёт сложные реплики отдельному движку рассуждений, оплачиваемому по токенам.

Этот разрыв между постом и документами — та самая история, которую стоит записать в первый же день, потому что версия из вторых рук уже расходится дальше, чем версия из первых рук. Вот что задокументировано, что утверждается без цифр и что вы действительно можете назвать сегодня.

Выпущено две модели, а не одна

В посте названы обе, и это правильно. Голосовая модель — MAI Realtime 1. Модель транскрипции — Dragon Copilot Transcribe, построенная на MAI Transcribe 2 — решении Microsoft для клинической диктовки, которое, по словам компании, обрабатывает 100% транскрипции диалогов врач–пациент внутри Dragon Copilot, охватывает 10 млн приёмов пациентов в месяц, используется третью американских врачей и вдвое снижает частоту ошибок в многоязычных сценариях. Это неаудированные данные Microsoft, и они описывают продуктовую линейку, за плечами которой годы внедрения, а не модель, анонсированную вчера. Это более зрелая половина пары и та, о которой говорят меньше.

MAI Realtime 1 — это новинка. Microsoft описывает её как модель преобразования речи в речь «с естественным потоком разговора и точной управляемостью», объединяющую понимание аудио и генерацию голоса с рассуждением в реальном времени, чтобы единый интерфейс мог обеспечивать работу управляемого голосового агента.

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.'

Что на самом деле можно купить за цент в минуту

Заявленная ставка составляет $0.01 за аудиоминуту в режиме речь-в-речь. Именно эта цифра указана в заголовке собственной статьи Microsoft, и это действительно изменение на порядок по сравнению с голосовыми API, на которые оно нацелено. Но это не весь счёт, и структура важнее заявленной цифры:

• Базовая беседа — $0,01 за минуту аудио, включая сам цикл «речь в речь».

• Рассуждения — оплачиваются отдельно: $1.00 за миллион входных токенов и $5.00 за миллион выходных токенов.

• Оплата в предварительной версии — клиенты, участвующие в предварительной версии Foundry с ограниченным доступом, не оплачивают услуги до начала общедоступной предварительной версии. Всё, что вы измеряете в предварительной версии, бесплатно, и это лучшая причина начать сейчас, а не после выхода в общую доступность.

• Что не опубликовано — нет данных о том, как часто разговор переходит на уровень рассуждений. Без этого $0,01 — это нижняя граница, а не оценка. Обращение в поддержку, при котором движок рассуждений задействуется на четырёх ходах, стоит существенно дороже, чем то, которое вообще не покидает быстрый путь, а Microsoft не сообщила, как это распределение выглядит на практике.

Сопоставьте это с моделями, с которыми его сравнивают уже в первый день. GPT Live 1 от OpenAI стоит $0,05 за минуту голосовой сессии с посекундной тарификацией, плюс сверху оплата использования бэкенд-модели и инструментов. GPT Realtime 2.1 от OpenAI, напротив, тарифицируется по токенам — $32 за миллион входных аудиотокенов и $64 за миллион выходных аудиотокенов; Artificial Analysis приводит это примерно к $10,75 в час при настройке High. Eleven Realtime Max от ElevenLabs обходится примерно в $4,80 в час по той же независимой методике. cent от Microsoft получается $0,60 в час без учёта каких-либо reasoning-токенов. Уже только по голосовой линии это реальный разрыв; а как только в счёт добавляется reasoning, это диапазон, а не конкретное число.

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'.

Четыре утверждения о возможностях, два из них пронумерованы

Список возможностей выглядит убедительно и носит исключительно качественный характер. Microsoft говорит, что модель справляется с перебиваниями и быстрыми подтверждениями и понимает, когда дать собеседнику закончить; что быстрая система обеспечивает диалог в режиме реального времени, а более сложные задачи направляются в более мощный механизм рассуждений без неловкой паузы; что она по-прежнему распознаёт запросы на фоне шума и других голосов; что она подключается к корпоративным системам для выполнения многоэтапных запросов; и что тоном, стилем и поведением можно управлять с помощью промптинга.

В противовес этому, с измерениями всё скудно, и они целиком основаны на самоотчётах. Microsoft утверждает, что MAI Realtime 1 «находится на границе Парето по соотношению производительности и цены» для речевого рассуждения Big Bench Audio и бенчмарка агентных задач τ-Voice, а также что она превосходит GPT Realtime 2.1 по качеству, скорости и цене. Единственный показатель точности, который компания всё же публикует, приведён на странице модели: 98,8% на Big Bench Audio, где он описан как «точность на вопросах устного рассуждения из бенчмарка Big Bench Audio». Это цифра от вендора, полученная вендором, на бенчмарке, выбранном вендором, и без каких-либо пояснений о методологии рядом с ней. На той же странице есть карточка P50 «время до первого аудио» и вторая карточка с подписью «P50-задержка на BigBench Audio», а оценки τ-Voice какого-либо рода нет. Список языков тоже не публикуется.

Итак, честная интерпретация уже, чем любая из крайностей. Это не модель без цифр — это модель с одной цифрой точности, одной внутренней цифрой задержки и без независимой проверки ни той, ни другой. Таблица speech-to-speech от Artificial Analysis по состоянию на 18 ноября не содержит MAI Realtime 1, а значит, никто не перепроверял эти 98,8% в стенде, который можно изучить. Относитесь к этому как к утверждению, которое просто удалось количественно выразить, а не как к результату.

Это не причина отбрасывать модель. Это причина относиться к любому сравнению, которое вы прочитаете на этой неделе, включая сравнение из поста, где оно всплыло, как к впечатлению. «Оно ощущалось очень близким к модели G​PT Live» — это проверяемое утверждение, которое ещё никто публично не проверил, и независимые испытательные стенды тоже не оценивали MAI Realtime 1 — в рейтинге Artificial Analysis для систем «речь в речь» она не значится по состоянию на 18 ноября. Цель сравнения, которую Microsoft выбрала для себя, — G​PT Realtime 2.1, голосовая модель рассуждений с оплатой за токен, а не G​PT Live 1, полнодуплексная модель. Это разные продукты с разными структурами цен, и для второго прямого сравнения от вендора не существует.

Вопрос о Copilot

То, что материалы Microsoft на самом деле говорят о Copilot, конкретно и гораздо уже, чем «Voice Mode». MAI Realtime 1 появится в Dynamics 365 Contact Center для обслуживания клиентов, и он появится в Dragon Copilot для имитационных бесед с пациентами, которые помогают медсестрам отрабатывать клинические взаимодействия. Оба названы, оба представляют собой корпоративные внедрения, оба — в будущем времени.

Copilot Voice Mode также не упоминается. В расшифровке пленарного доклада Ignite Realtime 1 вообще не упоминается — он фигурирует только в списке связанных материалов, — а на странице модели Copilot не упоминается ни в каком виде. Таким образом, утверждение о том, что Realtime 1 будет обеспечивать работу Voice Mode в Copilot, на сегодняшний день не подтверждено источниками. Вполне возможно, что это окажется правдой; голосовая функция Copilot для потребителей — очевидное место для модели ценой в цент за минуту. Но необъявленное продуктовое решение — не то же самое, что объявленное, и планирование миграции с опорой на необъявленную дорожную карту — именно так команды и приходят к интеграции, которую никто не поддерживает.

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.

Кто может это вызвать и как?

Сегодня доступны две двери, и обе узкие. Есть демо в MAI Labs — на ограниченной предварительной площадке Microsoft для новых и экспериментальных моделей: двухминутные сессии, требуется вход, 18 лет и старше, только для личного некоммерческого использования. Во время нашей проверки само демо сообщило: «MAI Realtime сейчас недоступен», — это стоит знать, прежде чем планировать командную оценку вокруг него. Вторая дверь — предварительная версия Foundry с ограниченным доступом, доступ к которой открывается через регистрационную форму, а не через ключ самообслуживания.

Самое важное для инженерной работы — это совместимость: MAI Realtime 1 говорит на O​penAI Realtime API. Если ваш голосовой стек уже построен под этот интерфейс, то оценка — это смена base-URL и строки модели, а не переписывание, — то же практическое преимущество, которое ElevenLabs обеспечила себе, выпустив OpenAI-совместимую конечную точку Realtime. Если ваш стек построен под сессионный протокол другого вендора, превью — это настоящий проект по портированию, независимо от цены.

Именно передача рассуждений — та часть, вокруг которой стоит проектировать.

Двухуровневая схема — самое значимое в анонсе, и именно её скрывает заголовок о цене. Один цент покупает быстрый путь. Как только звонящий спрашивает о чём-то, что требует планирования, вызовов инструментов в корпоративных системах или тщательно продуманного многошагового ответа, ход уходит из речевой модели и попадает в модель рассуждений, тарифицируемую по $1 и $5 за миллион токенов. Это обычная тарифная сетка текстовой модели, привязанная к голосовому продукту, а значит, в вашем голосовом счёте теперь есть текстовый счёт, а в бюджете задержки — вторая модель.

Именно в этот шов и должен вставать маршрутизатор. OrcaRouter передаёт списочную цену провайдера с наценкой 0 %, поэтому при изменении тарифа уровня рассуждений число, которое сообщает ваш шлюз, меняется в тот же день, а не при следующем продлении контракта. Автоматическое переключение при сбое здесь важнее, чем в чат-продукте: зависшая голосовая реплика — это человек, слушающий тишину, а запрос, который за 400 миллисекунд переключается на второго провайдера, незаметен, тогда как запрос, повторяющий попытки в течение четырёх секунд, — нет. DSL маршрутизации — вторая половина: быстрый разговорный путь и эскалацию рассуждений можно объединить в один вызов, чтобы передача управления была маршрутом, а не логикой приложения, которую вы поддерживаете сами.

Если говорить точно о том, что мы предоставляем, а что — нет: MAI Realtime 1 отсутствует в каталоге OrcaRouter. Доступ к нему можно получить через демо-версию Microsoft MAI Labs и предварительную версию Foundry с ограниченным доступом. С reasoning-моделями, стоящими за голосовым агентом, дело другое — это тот слой, который мы маршрутизируем, и именно на этом слое изменение цены в тот же день или сбой у провайдера действительно доходит до ваших пользователей.

Что измерять в предварительной версии, поскольку Microsoft измеряла это в закрытом режиме

Поскольку предварительная версия не тарифицируется до публичной предварительной версии, самая дешёвая полезная работа в этом месяце — измерения, а не закупки. Четыре числа решают, выдержит ли цент:

• Частота эскалации — какая доля ходов покидает быстрый путь ради уровня рассуждений. Это превращает $0.01 в фактическую стоимость за вызов, и именно этот показатель Microsoft полностью упустила.

• Время до первого аудио, измеренное на вашем собственном аудиотракте. На странице модели Microsoft для этого показателя приводится значение P50, но P50 без распределения ничего не говорит о вашем хвосте, а именно хвост замечают звонящие. Измеряйте самую медленную реплику из ста, а не медиану.

• Поведение при перебивании в условиях реального наложения речи — поставщик утверждает, что оно отличает фоновые реакции (поддакивания) от перебиваний и исправлений. Это утверждение можно опровергнуть за один день с помощью аудиозаписи звонка, и именно это отличает агента, который воспринимается естественно, от того, который перебивает людей.

• Частота ошибок на словаре вашей собственной предметной области. Именно на аудиозаписях контакт-центров и клинических разговорах универсальные речевые модели дают сбои, а клинические показатели Dragon Copilot ничего не говорят о названиях ваших продуктов.

Сравните это с одним действующим поставщиком, а не со спецификацией. Честная оценка по состоянию на 18 ноября такова: у MAI Realtime 1 самая агрессивная цена в категории и самые скудные публичные доказательства — одни непроверенные 98,8% и процентиль задержки — на фоне конкурентов с тестовыми стендами, которые можно изучить; что его амбиции в отношении Copilot задокументированы только как внедрения в контакт-центрах и для обучения медсестёр; и что заявление о том, что он будет обеспечивать работу Copilot Voice Mode, — это пост, а не пресс-релиз. Один цент в минуту достаточно дёшево, чтобы протестировать, и слишком дёшево, чтобы доверять без измерений.