一张为 MAI Realtime 1 生成的标题卡,上面写着“每分钟一美分”,并配有卡片,分别展示 $0.01 的音频分钟费率、$1/$5 的每百万推理层级、Big Bench Audio 上未经审计的 98.8%,以及“Copilot Voice Mode:未公布”,另有一个 OrcaRouter 徽标。
Guides & Insights

微软 MAI Realtime 1 以每分钟一美分的价格登场——而 Copilot 的相关说法并未出现在书面材料中

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

2026年11月17日,在Ignite大会上,微软发布了七款模型。其中之一是MAI Realtime 1,这是该公司首款语音到语音模型,定价为每分钟音频0.01美元。让这款模型进入我们视野的那条X帖子比微软自家页面说得更进一步:帖子称Realtime 1“将为Copilot中的语音模式提供支持”,还说该模型“感觉非常接近G​PT Live模型”。这两种说法均未出现在微软的任何发布材料中。材料中实际所说的内容则更为有限、更有意思,也更便于规划:限量访问预览、兼容O​penAI Realtime API的接口,以及一种双层设计——将困难的对话轮次交给一个按token计费的独立推理引擎处理。

帖子与文书之间的那道落差,才是第一天就值得记下来的故事,因为二手版本已经比一手版本传得更远。下面是有据可查的内容、没有数字支撑的说法,以及你今天实际可以怎么称呼它。

发布了两款模型,而非一款

文章提到了两者,而且这样做是对的。语音模型是 MAI Realtime 1。转写模型是 Dragon Copilot Transcribe,基于 MAI Transcribe 2——微软的临床口述路径。该公司称,它在 Dragon Copilot 内处理 100% 的医患转写,每月覆盖 1000 万次患者就诊,被三分之一的美国医生使用,并将多语言错误率减半。这些是微软的数据,未经审计,它们描述的是一个已有多年部署历史的产品线,而不是昨天才发布的模型。它是两者中更成熟的一半,也是较少被讨论的一半。

MAI Realtime 1 是新事物。微软将其描述为一款语音到语音模型,“具备自然的对话流畅性和精确的可操控性”,并将音频理解与语音生成同实时推理相结合,使单一接口能够承载可操控的语音智能体。

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.'

每分钟一美分究竟能买到什么

标称费率为每音频分钟语音到语音 $0.01。这正是 Microsoft 自己文章标题中的数字,而且相对于它所瞄准的语音 API 而言,这是一次真正的数量级跨越。但这并不是全部账单,而且计费结构比标称费率更重要:

• 基础对话 — 每音频分钟 0.01 美元,涵盖语音到语音循环本身。

• 推理 — 单独计费:每百万输入 token 1.00 美元,每百万输出 token 5.00 美元。

• 预览版计费 — 参与 Foundry 有限访问预览的客户在公开预览开始前不会产生费用。在预览期间计量的所有用量均免费,这正是应现在就开始、而不是等到正式发布的最佳理由。

• 未公布的是——没有数据说明对话升级到推理层的频率。没有这一点,{{1}}$0.01{{/1}} 只是下限,而不是估算值。一次支持通话如果有四个轮次触发推理引擎,其成本会显著高于从未离开快速路径的通话,而微软尚未说明实际划分情况。

把它与首日就被拿来对比的那些模型放在一起看。OpenAI 的 GPT Live 1 语音会话为每分钟 0.05 美元,按秒计费,另加后端模型和工具使用费。OpenAI 的 GPT Realtime 2.1 则改为按 token 计价——每百万音频输入 token 32 美元、每百万音频输出 token 64 美元——Artificial Analysis 在其 High 设置下折算约为每小时 10.75 美元。ElevenLabs 的 Eleven Realtime Max 在同样的独立测算口径下约为每小时 4.80 美元。Microsoft 的 cent 在计入任何推理 token 之前折合为每小时 0.60 美元。仅就语音这一项而言,这已经是实打实的差距;一旦把推理费用计入账单,它就是一个区间,而不是一个单一数字。

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'.

四项能力声明,其中两项带有编号

这份能力清单读起来不错,而且完全是定性描述。微软表示,该模型能够处理打断和快速确认,并知道何时让人把话说完;快速系统可让对话保持实时,而更复杂的任务会交给更强的推理引擎处理,不会出现尴尬的停顿;它仍能在背景噪声和其他人声干扰下识别请求;它能连接企业系统来执行多步骤请求;还可以通过提示词引导语调、风格和行为。

相比之下,衡量方面却很薄弱,而且完全来自自报。Microsoft 称,MAI Realtime 1 在 Big Bench Audio 语音推理和 τ-Voice 智能体任务基准上“处于性能-价格帕累托前沿”,并在质量、速度和价格上优于 GPT Realtime 2.1。该公司唯一公布的准确率数字在模型页面上:Big Bench Audio 上为 98.8%,页面将其描述为“在 Big Bench Audio 基准的口语推理问题上的准确率”。这是厂商数据,由厂商在其选择的基准上产生,旁边没有方法说明。同一页面还列有一张 P50“首次音频时间”卡片,以及另一张标为“BigBench Audio 上的 P50 延迟”的卡片,却没有任何 τ-Voice 分数。也没有公布语言列表。

因此,诚实的解读比两种极端都更窄。这不是一个没有数字的模型——而是一个只有一个准确率数字、一个内部延迟数字,且两者都没有独立验证的模型。截至11月18日,Artificial Analysis 的语音到语音排行榜未收录 MAI Realtime 1,这意味着还没有人在一个你可以检查的评测框架下重新运行过那个 98.8%。应把它视为一个恰好被量化的说法,而不是一项结果。

这不是否定该模型的理由。这是把本周你读到的每一项比较——包括最初让它浮出水面的那篇帖子中的比较——都当作一种印象的理由。“它感觉非常接近 G​PT Live 模型”是一个可检验的说法,目前还没有人在公开场合检验过,独立评测框架也尚未给 MAI Realtime 1 打分——截至 11 月 18 日,Artificial Analysis 的语音到语音排行榜上并没有收录它。微软为自己选定的比较对象是 G​PT Realtime 2.1,一个按 token 计费的推理语音模型,而不是全双工的 G​PT Live 1。它们是价格结构不同的不同产品,而对于后者,并不存在厂商之间的正面对比。

Copilot 的问题

微软的材料中关于 Copilot 的说法实际上很具体,而且远比“语音模式”要窄。MAI Realtime 1 将登陆Dynamics 365 Contact Center,用于客户服务;同时还将登陆Dragon Copilot,用于模拟患者对话,帮助护士演练临床互动。两者都有明确名称,都是企业级部署,且都采用将来时态。

Copilot Voice Mode 也不是。Ignite 主题演讲文字稿完全没有提到 Realtime 1——它只出现在相关报道列表中——而模型页面也没有以任何形式提到 Copilot。因此,关于 Realtime 1 将驱动 Copilot 中的 Voice Mode 这一说法,截至今天是没有来源依据的。它很可能最终被证明是真的;面向消费者的 Copilot 语音显然是部署一个每分钟定价一美分的模型的明显去处。但一个尚未宣布的产品决策与一个已经宣布的产品决策并不相同,而围绕未公布的路线图来规划迁移,正是团队最终得到一个没人支持的集成的方式。

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.

谁能调用它,以及如何调用

如今可用的入口有两扇门,且都很窄。演示位于MAI Labs,即 Microsoft 面向新模型和实验性模型的限量预览平台:每场两分钟、需要登录、年满 18 岁、仅限个人非商业用途。在我们检查期间,该演示本身提示“MAI Realtime 目前不可用”,在围绕它规划团队评估之前,这一点值得了解。第二扇门是 Foundry 的受限访问预览,需通过注册表单而非自助密钥进入。

对工程而言最重要的细节是兼容性:MAI Realtime 1 使用 O​penAI Realtime API。如果你的语音技术栈已经基于该接口构建,那么评估只需修改 base URL 和模型字符串,而不必重写——这与 ElevenLabs 通过发布兼容 OpenAI 的 Realtime 端点为自己获得的实际优势相同。如果你的技术栈是基于其他供应商的会话协议构建的,那么无论价格如何,这个预览版都是一个实打实的移植项目。

推理交接才是值得围绕它进行设计的部分。

这个双层设计是整场发布中最具决定性的部分,而它恰恰被价格标题掩盖了。一美分买到的是快车道。一旦来电者提出的问题需要规划、需要跨企业系统进行工具调用,或需要一个谨慎的多步回答,这一轮对话就会离开语音模型,落到推理模型上,按每百万 token 1 美元和 5 美元计费。这就等于把一张普通的文本模型价目表贴到了语音产品上,意味着你的语音账单里现在装着一份文本账单,你的延迟预算里现在多了一个模型。

这正是路由器该切入的衔接点。OrcaRouter 以 0% 加价透传提供商目录价,因此当推理档位的费率发生变化时,你的网关所报告的数字当天就会变化,而不是等到下一次合同续约。自动故障转移在这里比在聊天产品中更重要:一轮语音交互如果卡住,就是一个人在听着沉默;一个在 400 毫秒内回退到第二家提供商的请求是用户察觉不到的,而一个重试四秒的请求则不然。路由 DSL 是另一半——快速对话路径和推理升级可以组合成一次调用,因此交接是一条路由,而不是你自己维护的应用逻辑。

确切说明我们提供什么、不提供什么:MAI Realtime 1 不在 OrcaRouter 目录中。它可通过 Microsoft 的 MAI Labs 演示和 Foundry 有限访问预览获取。语音代理背后的推理模型则是另一回事——那是我们负责路由的层,也正是当天价格变动或提供商短暂故障会真正触达你的用户的那一层。

既然微软是私下测量的,那预览中要测量什么?

由于预览版在公开预览前不计费,本月最划算的有用工作是测量而非采购。四个数字决定这一分钱是否经得起考验:

• 升级率——有多少比例的轮次会离开快速路径、转入推理层级。这会把 $0.01 换算成实际的每次调用成本,而这是 Microsoft 完全遗漏的一个数字。

• 首个音频时间,在你自己的音频路径上测量。微软的模型页面给出了它的 P50 数值,但没有分布支撑的 P50 对尾部延迟毫无说明,而通话者注意到的正是尾部。衡量一百轮中最慢的一轮,而不是中位数。

• 真实重叠下的打断行为——供应商声称它能区分附和性应答、打断和纠正。这个说法用一个下午的录音通话就能证伪,而这正是一个听起来自然的智能体与一个总抢话盖过用户的智能体之间的差别。

• 在您自己领域词汇上的错误率。联络中心和临床音频正是通用语音模型容易出错的地方,而 Dragon Copilot 的临床数据对您的产品名称毫无参考意义。

拿这些去和一家现有供应商对比,而不是对着规格表对比。对11月18日的诚实解读是:MAI Realtime 1 拥有该类别中最激进的价格和最单薄的公开证据——只有一个未经审计的98.8%和一个延迟百分位数,而竞争对手有可供你检查的测试框架——其Copilot雄心仅以联络中心和护士培训部署的形式被记录在案,而它将驱动Copilot Voice Mode的说法只是一篇帖子,不是新闻稿。每分钟一美分便宜到足以测试,也便宜到无法在未经测量的情况下信任。