Ett genererat titelkort för MAI Realtime 1 där det står "En cent i minuten", med kort för taxan $0.01 per ljudminut, resonemangsnivån $1/$5 per miljon, oreviderade 98,8 % på Big Bench Audio och "Copilot Voice Mode: inte annonserat", samt en OrcaRouter-logotyp.
Guides & Insights

Microsofts MAI Realtime 1 lanseras för en cent per minut – och Copilot-påståendet finns inte i dokumentationen

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Den 17 november 2026 tillkännagav Microsoft sju modeller på Ignite. En av dem är MAI Realtime 1, företagets första tal-till-tal-modell, prissatt till 0,01 USD per ljudminut. X-inlägget som satte den på vår radar går längre än Microsofts egna sidor: det säger att Realtime 1 "kommer att driva Voice Mode i Copilot" och att modellen "kändes mycket nära GPT Live-modellen". Inget av påståendena förekommer någonstans i Microsofts lanseringsmaterial. Det materialet säger i stället något snävare, mer intressant och lättare att planera kring: en förhandsvisning med begränsad åtkomst, ett gränssnitt kompatibelt med OpenAI Realtime API och en tvåskiktsdesign som lämnar svåra turer till en separat resonemangsmotor som faktureras per token.

Glappet mellan inlägget och pappersarbetet är historien som är värd att skriva ner dag ett, eftersom andrahandsvarianten redan sprids längre än förstahandsvarianten. Här är vad som är dokumenterat, vad som påstås utan siffror och vad du faktiskt kan kalla det i dag.

Två modeller levererades, inte en

Inlägget nämner båda, och det är rimligt. Röstmodellen är MAI Realtime 1. Transkriberingsmodellen är Dragon Copilot Transcribe, byggd på MAI Transcribe 2 — Microsofts kliniska dikteringslösning, som företaget uppger hanterar 100 % av transkriptionen av läkare–patientsamtal i Dragon Copilot, omfattar 10 miljoner patientmöten i månaden, används av en tredjedel av amerikanska läkare och halverar felfrekvensen för flera språk. Det är Microsofts siffror, ogranskade, och de beskriver en produktlinje med flera års driftsättning bakom sig snarare än en modell som tillkännagavs i går. Det är den mer mogna halvan av paret och den mindre diskuterade.

MAI Realtime 1 är det nya. Microsoft beskriver det som en tal-till-tal-modell "med naturligt samtalsflöde och precis styrbarhet", som kombinerar ljudförståelse och röstgenerering med realtidsresonemang så att ett enda gränssnitt kan hantera en styrbar röstagent.

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.'

Vad en cent i minuten faktiskt köper

Rubrikpriset är 0,01 USD per ljudminut för tal-till-tal. Det är siffran i Microsofts egen artikeltitel, och det är ett genuint steg i storleksordningen gentemot de röst-API:er den riktar sig mot. Men det är inte hela räkningen, och strukturen spelar större roll än rubriken:

• Basiskonversation — 0,01 USD per ljudminut, vilket täcker själva tal-till-tal-loopen.

• Resonemang — debiteras separat med $1.00 per miljon indatatoken och $5.00 per miljon utdatatoken.

• Fakturering för förhandsversion — kunder i Foundrys förhandsversion med begränsad åtkomst faktureras inte förrän den offentliga förhandsversionen börjar. Allt du mäter i förhandsversionen är gratis, vilket är det enskilt bästa skälet att börja nu i stället för vid allmän tillgänglighet.

• Det som inte publiceras – ingen siffra på hur ofta en konversation eskalerar till resonemangsnivån. Utan det är $0,01 en undre gräns, inte en uppskattning. Ett supportärende som träffar resonemangsmotorn i fyra turer kostar betydligt mer än ett som aldrig lämnar snabbvägen, och Microsoft har inte sagt hur fördelningen ser ut i praktiken.

Sätt det i relation till de modeller som det jämförs med redan från dag ett. O​penAI:s G​PT Live 1 kostar 0,05 dollar per minut för röstsessionen, debiterat per sekund, med användning av backendmodell och verktyg ovanpå. O​penAI:s G​PT Realtime 2.1 prissätts i stället per token – 32 dollar per miljon ljudindatatoken och 64 dollar per miljon ljudutdatatoken – vilket Artificial Analysis normaliserar till ungefär 10,75 dollar per timme vid sin High-inställning. ElevenLabs Eleven Realtime Max landar på omkring 4,80 dollar per timme på samma oberoende beräkningsgrund. Microsofts centpris landar på 0,60 dollar per timme före eventuella resonemangstoken. Enbart på röstlinjen är det en verklig skillnad; när resonemangstoken väl ingår i fakturan är det ett intervall, inte en siffra.

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'.

Fyra påståenden om förmåga, två av dem numrerade

Listan över funktioner är trevlig läsning och helt och hållet kvalitativ. Microsoft säger att modellen hanterar avbrott och snabba bekräftelser och vet när den ska låta någon tala till punkt; att ett snabbt system håller dialogen i realtid medan svårare uppgifter dirigeras till en starkare resonemangsmotor utan en pinsam paus; att den fortfarande uppfattar förfrågningar trots bakgrundsljud och andra röster; att den ansluter till företagssystem för att utföra förfrågningar i flera steg; och att ton, stil och beteende kan styras genom prompting.

Mot detta är mätsidan tunn och helt och hållet självrapporterad. Microsoft säger att MAI Realtime 1 "ligger på Paretofronten för prestanda och pris" för Big Bench Audio-talresonemang och agentuppgiftsbenchmarken τ-Voice, och att den slår GPT Realtime 2.1 i kvalitet, hastighet och pris. Den enda noggrannhetssiffra som företaget faktiskt publicerar finns på modellsidan: 98,8 % på Big Bench Audio, där den beskrivs som "noggrannhet på frågor om talat resonemang från Big Bench Audio-benchmarken." Det är en leverantörssiffra, framtagen av leverantören, på en benchmark som leverantören har valt, utan någon metodbeskrivning bredvid. Samma sida har ett P50-kort för "tid till första ljud" och ett andra kort märkt "P50-latens på BigBench Audio", och ingen τ-Voice-poäng alls. Ingen språklista publiceras heller.

Den ärliga tolkningen är snävare än någon av ytterligheterna. Det här är inte en modell utan siffror – det är en modell med en träffsäkerhetssiffra, en intern latenssiffra och ingen oberoende verifiering av någon av dem. Artificial Analysiss tal-till-tal-tavla tar inte med MAI Realtime 1 per den 18 november, vilket innebär att ingen har kört om de där 98,8 % i en testram som du kan granska. Behandla det som ett påstående som råkar vara kvantifierat snarare än som ett resultat.

Det här är inte ett skäl att avfärda modellen. Det är ett skäl att behandla varje jämförelse du läser den här veckan, inklusive den i inlägget som lyfte fram den, som ett intryck. ”Det kändes väldigt nära G​PT Live-modellen” är ett påstående som går att testa och som ingen ännu har testat offentligt, och de oberoende testramverken har inte heller poängsatt MAI Realtime 1 – listan över tal-till-tal hos Artificial Analysis inkluderar den inte per den 18 november. Jämförelsemålet som Microsoft valde för sig själv är G​PT Realtime 2.1, en röstmodell för resonemang per token, inte G​PT Live 1, den full-duplexa varianten. Det är olika produkter med olika prisstrukturer, och leverantörens direktjämförelse finns inte för den andra.

Copilot-frågan

Vad Microsofts material faktiskt säger om Copilot är specifikt och mycket snävare än "Voice Mode". MAI Realtime 1 är på väg till Dynamics 365 Contact Center för kundtjänst, och det är på väg till Dragon Copilot för simulerade patientkonversationer som hjälper sjuksköterskor att öva på kliniska interaktioner. Båda är namngivna, båda är företagsdistributioner, båda är futurum.

Inte heller Copilot Voice Mode. Transkriptet från Ignite-keynoten nämner inte Realtime 1 alls – det förekommer bara i listan med relaterade artiklar – och modellsidan nämner inte Copilot i någon form. Påståendet att Realtime 1 ska driva Voice Mode i Copilot är därför i dagsläget utan källa. Det kan mycket väl visa sig vara sant; konsumentversionens Copilot-röst är en uppenbar plats att placera en modell som kostar en cent per minut. Men ett produktbeslut som inte har annonserats är inte samma sak som ett som har det, och att planera en migrering kring en icke annonserad roadmap är hur team till slut står med en integration som ingen stöder.

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.

Vem kan ringa det, och hur

Tillgängligheten i dag består av två dörrar, båda smala. Det finns en demo i MAI Labs, Microsofts förhandsgranskningsyta med begränsad åtkomst för nya och experimentella modeller: tvåminuterssessioner, inloggning krävs, 18 år och äldre, endast för personligt icke-kommersiellt bruk. Under vår kontroll rapporterade demon själv "MAI Realtime är inte tillgängligt just nu", vilket är värt att känna till innan du planerar en teamevaluering kring den. Den andra dörren är Foundry-förhandsgranskningen med begränsad åtkomst, som nås via ett registreringsformulär i stället för en självbetjäningsnyckel.

Detaljen som spelar störst roll för ingenjörsarbete är kompatibilitet: MAI Realtime 1 talar O​penAI Realtime API. Om din röststack redan är byggd mot det gränssnittet är en utvärdering en ändring av bas-URL och modellsträng snarare än en omskrivning – samma praktiska fördel som ElevenLabs skaffade sig genom att leverera en OpenAI-kompatibel Realtime-endpoint. Om din stack är byggd mot en annan leverantörs sessionsprotokoll är förhandsversionen ett riktigt portningsprojekt oavsett pris.

Resonemangsöverlämningen är den del som är värd att designa kring

Den tvåskiktade designen är det mest konsekvensrika i tillkännagivandet, och det är den som prisrubriken döljer. En cent köper den snabba vägen. I samma stund som en uppringare frågar något som kräver planering, verktygsanrop över företagssystem eller ett noggrant svar i flera steg, lämnar turen talmodellen och landar på en resonemangsmodell som debiteras med 1 och 5 dollar per miljon token. Det är ett vanligt priskort för textmodeller kopplat till en röstprodukt, vilket innebär att din rösträkning nu har en texträkning inuti sig och din latensbudget har en andra modell i sig.

Det är precis den sömmen en router hör hemma i. OrcaRouter förmedlar leverantörens listpris med 0 % påslag, så när taxan för en resonemangsnivå förändras ändras siffran som din gateway rapporterar samma dag i stället för vid nästa kontraktsförnyelse. Automatisk failover är viktigare här än i en chattprodukt: en röstvända som fastnar är en person som lyssnar till tystnad, och en begäran som växlar över till en andra leverantör på 400 millisekunder är osynlig, medan en som försöker igen i fyra sekunder inte är det. Routing-DSL:en är den andra halvan – den snabba samtalsvägen och resonemangseskaleringen kan komponeras till ett enda anrop så att överlämningen är en rutt i stället för applikationslogik som du underhåller själv.

För att vara precisa om vad vi tillhandahåller och inte tillhandahåller: MAI Realtime 1 finns inte i OrcaRouter-katalogen. Den går att nå via Microsofts MAI Labs-demo och Foundry-förhandsvisningen med begränsad åtkomst. Resonemangsmodellerna bakom en röstagent är en annan sak – det är det lager vi dirigerar, och det är det lager där en prisändring samma dag eller en leverantörsstörning faktiskt når dina användare.

Vad man ska mäta i förhandsversionen, eftersom Microsoft mätte det privat

Eftersom förhandsvisningen är odebiterad fram till den offentliga förhandsvisningen är det billigaste användbara arbetet denna månad mätning snarare än upphandling. Fyra siffror avgör om centen håller:

• Eskaleringsgrad — hur stor andel av vändorna som lämnar snabbspåret för resonemangsnivån. Detta gör $0,01 till en faktisk kostnad per anrop, och det är den enda siffran som Microsoft helt har utelämnat.

• Tid till första ljud, mätt på din egen ljudväg. Microsofts modellsida visar ett P50-värde för det, men ett P50 utan distribution bakom säger ingenting om din svans, och det är svansen som de som ringer lägger märke till. Mät den långsammaste turen av hundra, inte medianen.

• Avbrottsbeteende vid verklig överlappning — leverantörens påstående är att den skiljer backchannels från avbrott och från korrigeringar. Det är ett påstående som du kan falsifiera på en eftermiddag med inspelat samtalsljud, och det är skillnaden mellan en agent som känns naturlig och en som pratar över folk.

• Felkvot på din egen domänvokabulär. Kontaktcenter- och klinisk ljudinspelning är där generiska talmodeller misslyckas, och Dragon Copilots kliniska siffror säger ingenting om dina produktnamn.

Den ärliga bedömningen den 18 november är att MAI Realtime 1 har det mest aggressiva priset i kategorin och den tunnaste offentliga bevisningen – en icke granskad siffra på 98,8 % och en latenspercentil, mot konkurrenter med testramverk som du kan granska – att dess Copilot-ambitioner endast dokumenteras som driftsättningar inom kontaktcenter och sjuksköterskeutbildning, och att påståendet att det ska driva Copilot Voice Mode är ett inlägg, inte ett pressmeddelande. En cent per minut är billigt nog att testa och för billigt för att lita på utan mätning.