Một thẻ tiêu đề được tạo cho MAI Realtime 1 ghi "Một xu một phút", với các thẻ cho mức giá 0,01 đô la Mỹ mỗi phút âm thanh, bậc suy luận 1/5 đô la Mỹ mỗi triệu, mức 98,8% chưa được kiểm toán trên Big Bench Audio, và "Copilot Voice Mode: chưa được công bố", cùng logo OrcaRouter.
Guides & Insights

MAI Realtime 1 của Microsoft ra mắt với giá một xu một phút — và tuyên bố về Copilot không hề có trong hồ sơ.

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Vào ngày 17 tháng 11 năm 2026, tại Ignite, Microsoft đã công bố bảy mô hình. Một trong số đó là MAI Realtime 1, mô hình giọng nói sang giọng nói đầu tiên của công ty, có giá 0,01 USD mỗi phút âm thanh. Bài đăng trên X đã đưa nó vào tầm ngắm của chúng tôi đi xa hơn so với các trang của chính Microsoft: bài đăng nói rằng Realtime 1 "sẽ cung cấp năng lượng cho Voice Mode trong Copilot," và rằng mô hình này "cho cảm giác rất giống với mô hình G​PT Live." Cả hai tuyên bố đều không xuất hiện ở bất kỳ đâu trong tài liệu ra mắt của Microsoft. Thay vào đó, tài liệu nói những điều hẹp hơn, thú vị hơn và dễ dựa vào đó để lập kế hoạch hơn: một bản xem trước có quyền truy cập hạn chế, một giao diện tương thích với O​penAI Realtime API, và một thiết kế hai tầng chuyển những lượt khó cho một công cụ lý luận riêng được tính phí theo token.

Khoảng cách giữa bài đăng và giấy tờ đó chính là câu chuyện đáng được ghi lại ngay từ ngày đầu tiên, bởi vì phiên bản nghe kể lại đã lan xa hơn phiên bản tận mắt chứng kiến. Đây là những gì được ghi chép lại, những gì được khẳng định mà không có con số, và những gì bạn thực sự có thể gọi ngay hôm nay.

Đã xuất xưởng hai mô hình, chứ không phải một.

Bài đăng nêu tên cả hai, và làm vậy là đúng. Mô hình giọng nói là MAI Realtime 1. Mô hình phiên âm là Dragon Copilot Transcribe, được xây dựng trên MAI Transcribe 2 — hướng đọc chính tả lâm sàng của Microsoft, mà công ty nói xử lý 100% việc phiên âm bác sĩ–bệnh nhân bên trong Dragon Copilot, bao phủ 10 triệu lượt gặp bệnh nhân mỗi tháng, được một phần ba số bác sĩ Hoa Kỳ sử dụng, và giảm một nửa tỷ lệ lỗi đa ngôn ngữ. Đó là các con số của Microsoft, chưa được kiểm toán, và chúng mô tả một dòng sản phẩm đã có nhiều năm triển khai phía sau chứ không phải một mô hình vừa được công bố hôm qua. Đây là nửa trưởng thành hơn của cặp đôi và là nửa ít được bàn đến hơn.

MAI Realtime 1 là một bước tiến mới. Microsoft mô tả đây là mô hình chuyển giọng nói sang giọng nói “với luồng hội thoại tự nhiên và khả năng điều khiển chính xác”, kết hợp hiểu âm thanh và tạo giọng nói với suy luận thời gian thực để một giao diện duy nhất có thể vận hành một tác nhân thoại có thể điều khiển được.

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.'

Một xu một phút thực sự mua được gì

Mức giá được nêu trên tiêu đề là 0,01 đô la Mỹ mỗi phút âm thanh của speech-to-speech. Đó là con số trong chính tiêu đề bài viết của Microsoft, và đây là một bước đi thực sự mang tính thay đổi cả một bậc độ lớn so với các API giọng nói mà nó nhắm tới. Nhưng đó không phải toàn bộ hóa đơn, và cấu trúc quan trọng hơn con số nổi bật:

• Hội thoại cơ bản — $0.01 mỗi phút âm thanh, bao gồm chính vòng lặp giọng nói sang giọng nói.

• Suy luận — được tính phí riêng ở mức $1,00 cho mỗi triệu token đầu vào và $5,00 cho mỗi triệu token đầu ra.

• Tính phí bản xem trước — khách hàng trong bản xem trước quyền truy cập hạn chế của Foundry sẽ không bị tính phí cho đến khi bản xem trước công khai bắt đầu. Mọi thứ bạn đo lường trong bản xem trước đều miễn phí, và đây chính là lý do tốt nhất để bắt đầu ngay bây giờ thay vì chờ đến thời điểm khả dụng chung.

• Điều gì chưa được công bố — không có con số về tần suất một cuộc hội thoại leo lên tầng suy luận. Không có điều đó, $0.01 chỉ là mức sàn chứ không phải ước tính. Một cuộc gọi hỗ trợ chạm vào công cụ suy luận ở bốn lượt sẽ tốn kém hơn đáng kể so với cuộc gọi không bao giờ rời khỏi đường nhanh, và Microsoft chưa nói tỷ lệ phân chia trông như thế nào trên thực tế.

Hãy đặt con số đó bên cạnh các mô hình mà nó được đem ra so sánh ngay từ ngày đầu tiên. G​PT Live 1 của O​penAI có giá 0,05 USD mỗi phút cho phiên thoại, tính theo từng giây, cộng thêm chi phí sử dụng mô hình và công cụ backend. G​PT Realtime 2.1 của O​penAI thì lại được tính theo token — 32 USD mỗi triệu token âm thanh đầu vào và 64 USD mỗi triệu token âm thanh đầu ra — mà Artificial Analysis chuẩn hóa thành khoảng 10,75 USD mỗi giờ ở cài đặt High. Eleven Realtime Max của ElevenLabs rơi vào khoảng 4,80 USD mỗi giờ trên cùng cơ sở độc lập. Mức cent của Microsoft quy ra 0,60 USD mỗi giờ trước khi tính bất kỳ token suy luận nào. Chỉ riêng phần thoại thì đó là một khoảng cách thực sự; một khi suy luận đã nằm trong hóa đơn thì đó là một khoảng giá, chứ không phải một con số.

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'.

Bốn tuyên bố về năng lực, hai trong số đó được đánh số.

Danh sách năng lực này đọc khá mạch lạc và hoàn toàn mang tính định tính. Microsoft cho biết mô hình xử lý được các ngắt lời và lời xác nhận nhanh, đồng thời biết khi nào nên để người nói nói hết câu; rằng một hệ thống nhanh giữ cho hội thoại diễn ra theo thời gian thực trong khi các tác vụ khó hơn được chuyển đến một công cụ suy luận mạnh hơn mà không tạo ra khoảng dừng gượng gạo; rằng nó vẫn nhận diện được yêu cầu giữa tiếng ồn nền và tiếng nói của người khác; rằng nó kết nối với các hệ thống doanh nghiệp để thực hiện các yêu cầu nhiều bước; và rằng có thể điều hướng giọng điệu, phong cách và hành vi thông qua việc đưa ra lời nhắc.

Đối lại, phía đo lường thì mỏng và hoàn toàn do hãng tự báo cáo. Microsoft nói MAI Realtime 1 "nằm trên biên giới Pareto hiệu năng-giá" đối với suy luận giọng nói Big Bench Audio và bài đánh giá tác vụ agentic τ-Voice, và rằng nó vượt GPT Realtime 2.1 về chất lượng, tốc độ và giá. Con số độ chính xác duy nhất mà công ty công bố nằm trên trang mô hình: 98,8% trên Big Bench Audio, được mô tả ở đó là "độ chính xác trên các câu hỏi suy luận nói từ bài đánh giá Big Bench Audio." Đó là con số của nhà cung cấp, do nhà cung cấp tạo ra, trên một bài đánh giá do nhà cung cấp chọn, không có ghi chú phương pháp nào bên cạnh. Cùng trang đó có một thẻ P50 "thời gian đến âm thanh đầu tiên" và một thẻ thứ hai ghi "Độ trễ P50 trên BigBench Audio," và không có bất kỳ điểm τ-Voice nào. Cũng không có danh sách ngôn ngữ nào được công bố.

Vậy cách hiểu trung thực sẽ hẹp hơn cả hai thái cực. Đây không phải là một mô hình không có con số nào — mà là một mô hình có một con số độ chính xác, một con số độ trễ nội bộ, và không có xác minh độc lập nào cho cả hai. Bảng speech-to-speech của Artificial Analysis không có MAI Realtime 1 tính đến ngày 18 tháng 11, nghĩa là chưa ai chạy lại con số 98,8% đó dưới một khung kiểm thử mà bạn có thể kiểm tra. Hãy coi đó là một tuyên bố tình cờ được lượng hóa chứ không phải một kết quả.

Đây không phải là lý do để gạt bỏ mô hình. Đó là lý do để coi mọi so sánh bạn đọc trong tuần này, kể cả so sánh trong bài đăng đã làm nó lộ diện, chỉ là một ấn tượng. "Nó cảm giác rất gần với mô hình GPT Live" là một tuyên bố có thể kiểm chứng mà chưa ai kiểm chứng công khai, và các bộ đánh giá độc lập cũng chưa chấm điểm MAI Realtime 1 — bảng speech-to-speech của Artificial Analysis không đưa nó vào tính đến ngày 18 tháng 11. Mục tiêu so sánh mà Microsoft tự chọn là GPT Realtime 2.1, một mô hình giọng nói suy luận tính theo token, không phải GPT Live 1, mô hình song công toàn phần. Đó là những sản phẩm khác nhau với cấu trúc giá khác nhau, và đối đầu trực tiếp do nhà cung cấp công bố không tồn tại cho sản phẩm thứ hai.

Câu hỏi về Copilot

Những gì tài liệu của Microsoft thực sự nói về Copilot thì cụ thể và hẹp hơn nhiều so với "Voice Mode." MAI Realtime 1 đang đến với Dynamics 365 Contact Center cho dịch vụ khách hàng, và nó đang đến với Dragon Copilot cho các cuộc trò chuyện bệnh nhân mô phỏng giúp điều dưỡng luyện tập các tương tác lâm sàng. Cả hai đều được nêu tên, cả hai đều là triển khai doanh nghiệp, cả hai đều ở thì tương lai.

Copilot Voice Mode cũng không phải ngoại lệ. Bản ghi bài phát biểu chính tại Ignite hoàn toàn không đề cập đến Realtime 1 — nó chỉ xuất hiện trong danh sách các câu chuyện liên quan — và trang về mô hình không hề nhắc đến Copilot dưới bất kỳ hình thức nào. Vì vậy, tuyên bố rằng Realtime 1 sẽ cung cấp năng lực cho Voice Mode trong Copilot, tính đến hôm nay, là không có nguồn. Rất có thể điều đó sẽ thành sự thật; Copilot thoại dành cho người tiêu dùng là một nơi hiển nhiên để đặt một mô hình có giá một xu một phút. Nhưng một quyết định sản phẩm chưa được công bố không giống với một quyết định đã được công bố, và việc lập kế hoạch chuyển đổi dựa trên một lộ trình chưa được công bố là cách các nhóm kết thúc với một tích hợp không ai hỗ trợ.

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.

Ai có thể gọi nó, và bằng cách nào

Hiện nay, khả năng tiếp cận chỉ có hai cánh cửa, và cả hai đều hẹp. Có một bản demo trong MAI Labs, nền tảng xem trước giới hạn của Microsoft dành cho các mô hình mới và thử nghiệm: phiên hai phút, bắt buộc đăng nhập, từ 18 tuổi trở lên, chỉ dùng cá nhân phi thương mại. Trong lúc kiểm tra, chính bản demo đã báo "MAI Realtime is unavailable right now," điều đáng biết trước khi bạn lên kế hoạch đánh giá cho nhóm dựa vào nó. Cánh cửa thứ hai là bản xem trước quyền truy cập hạn chế của Foundry, được tiếp cận qua biểu mẫu đăng ký thay vì khóa tự phục vụ.

Chi tiết quan trọng nhất đối với kỹ thuật là khả năng tương thích: MAI Realtime 1 hỗ trợ OpenAI Realtime API. Nếu ngăn xếp giọng nói của bạn đã được xây dựng dựa trên giao diện đó, thì việc đánh giá chỉ là thay đổi base-URL và chuỗi model chứ không phải viết lại — cùng lợi thế thực tiễn mà ElevenLabs đã tự mang lại cho mình bằng cách phát hành một endpoint Realtime tương thích với OpenAI. Nếu ngăn xếp của bạn được xây dựng dựa trên giao thức phiên của nhà cung cấp khác, thì bản xem trước là một dự án chuyển đổi thực sự, bất kể giá cả.

Việc chuyển giao lập luận là phần đáng để thiết kế xoay quanh.

Thiết kế hai tầng là điều hệ trọng nhất trong thông báo, và cũng chính là điều mà dòng tiêu đề về giá che giấu. Một xu là đủ để mua đường nhanh. Ngay khi người gọi hỏi điều gì đó cần lập kế hoạch, gọi công cụ trên các hệ thống doanh nghiệp, hoặc cần một câu trả lời nhiều bước được cân nhắc kỹ, lượt đó rời khỏi mô hình giọng nói và chuyển sang một mô hình lý luận được tính phí 1 đô la và 5 đô la mỗi triệu token. Đó là một bảng giá mô hình văn bản thông thường gắn vào một sản phẩm giọng nói, nghĩa là hóa đơn giọng nói của bạn giờ đây có một hóa đơn văn bản nằm bên trong, và ngân sách độ trễ của bạn có thêm một mô hình thứ hai.

Đó chính xác là điểm nối mà một bộ định tuyến nên được đặt vào. OrcaRouter chuyển thẳng giá niêm yết của nhà cung cấp với mức phụ giá 0%, vì vậy khi mức giá của một bậc suy luận thay đổi con số mà gateway của bạn báo cáo sẽ thay đổi ngay trong cùng ngày thay vì ở lần gia hạn hợp đồng tiếp theo. Tự động chuyển đổi dự phòng ở đây quan trọng hơn so với trong một sản phẩm trò chuyện: một lượt thoại bị khựng lại là một người đang nghe im lặng, và một yêu cầu chuyển sang nhà cung cấp thứ hai trong 400 mili giây sẽ không ai nhận ra, trong khi một yêu cầu thử lại trong bốn giây thì có. DSL định tuyến là nửa còn lại — đường hội thoại nhanh và bước leo thang suy luận có thể được kết hợp thành một lệnh gọi để việc chuyển giao là một tuyến đường thay vì logic ứng dụng mà bạn tự duy trì.

Nói chính xác về những gì chúng tôi có và không cung cấp: MAI Realtime 1 không nằm trong danh mục OrcaRouter. Có thể truy cập nó thông qua bản demo MAI Labs của Microsoft và bản xem trước giới hạn quyền truy cập của Foundry. Các mô hình suy luận đằng sau một tác nhân thoại lại là chuyện khác — đó là lớp chúng tôi định tuyến, và cũng là lớp mà một thay đổi giá trong cùng ngày hoặc một trục trặc từ nhà cung cấp thực sự sẽ đến tay người dùng của bạn.

Cần đo gì trong bản xem trước, vì Microsoft đã đo nó một cách riêng tư

Vì bản xem trước không bị tính phí cho đến khi thành bản xem trước công khai, công việc hữu ích rẻ nhất trong tháng này là đo lường thay vì thu mua. Bốn con số quyết định liệu đồng xu có trụ vững:

• Tỷ lệ leo thang — bao nhiêu phần trăm số lượt rời khỏi luồng nhanh để chuyển sang tầng suy luận. Điều này chuyển $0.01 thành chi phí thực tế trên mỗi lần gọi, và đây chính là con số mà Microsoft đã bỏ sót hoàn toàn.

• Thời gian đến âm thanh đầu tiên, được đo trên chính đường truyền âm thanh của bạn. Trang mô hình của Microsoft có hiển thị một con số P50 cho chỉ số này, nhưng một P50 không kèm phân bố phía sau thì chẳng nói lên điều gì về phần đuôi của bạn, mà phần đuôi mới là thứ người gọi nhận ra. Hãy đo lượt chậm nhất trong một trăm lượt, chứ không phải trung vị.

• Hành vi ngắt lời khi có chồng lấn thực sự — tuyên bố của nhà cung cấp là nó phân biệt được tín hiệu đáp lời (backchannel) với ngắt lời với chỉnh sửa. Đó là một tuyên bố mà bạn có thể bác bỏ trong một buổi chiều bằng bản ghi âm cuộc gọi, và nó chính là khác biệt giữa một tác nhân (agent) tạo cảm giác tự nhiên và một tác nhân nói chồng lên người khác.

• Tỷ lệ lỗi trên từ vựng chuyên ngành của chính bạn. Âm thanh từ trung tâm liên hệ và lâm sàng là nơi các mô hình giọng nói phổ thông thất bại, và các con số lâm sàng của Dragon Copilot không nói lên điều gì về tên sản phẩm của bạn.

Hãy đem những thứ đó đối chiếu với một nhà cung cấp hiện hữu thay vì với một bảng thông số. Đánh giá trung thực vào ngày 18 tháng 11 là: MAI Realtime 1 có mức giá quyết liệt nhất trong danh mục và bằng chứng công khai mỏng nhất — một con số 98,8% chưa được kiểm toán và một phân vị độ trễ, so với các đối thủ có bộ khung kiểm thử mà bạn có thể xem xét — rằng tham vọng Copilot của nó chỉ được ghi nhận qua các triển khai cho trung tâm liên hệ và đào tạo điều dưỡng, và rằng tuyên bố nó sẽ vận hành Copilot Voice Mode chỉ là một bài đăng, không phải thông cáo báo chí. Một xu mỗi phút là đủ rẻ để thử và quá rẻ để tin khi chưa được đo lường.