一張為 MAI Realtime 1 生成的標題卡,上面寫著「每分鐘一分錢」,並附有 $0.01 每音訊分鐘費率、$1/$5 每百萬推理層級、Big Bench Audio 上未經稽核的 98.8%,以及「Copilot Voice Mode:尚未公布」的卡片,還有一個 OrcaRouter 標誌。
Guides & Insights

微軟 MAI Realtime 1 以每分鐘一美分登場——而 Copilot 的說法並未載於正式文件中

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

2026 年 11 月 17 日,Microsoft 在 Ignite 宣布推出七款模型。其中一款是 MAI Realtime 1,這是該公司首款語音對語音模型,定價為每音訊分鐘 0.01 美元。那則讓我們注意到它的 X 貼文比 Microsoft 自家頁面說得更多:貼文稱 Realtime 1「將驅動 Copilot 中的 Voice Mode」,並稱該模型「感覺非常接近 G​PT Live 模型」。這兩項說法都未出現在 Microsoft 的發布資料中。反之,資料所述更狹窄、更有趣,也更容易據以規劃:有限存取預覽、一個與 OpenAI Realtime API 相容的介面,以及一套兩層式設計,將較難的輪次交給獨立、按 token 計費的推理引擎。

貼文與正式文件之間的那段落差,正是第一天就值得寫下來的事,因為二手的版本早已流傳得比第一手更遠。以下是已有文件佐證的部分、沒有數字支撐的說法,以及你現在真正能下定論的內容。

推出了兩款模型,而非一款

這篇文章兩者都點名了,而且理當如此。語音模型是 MAI Realtime 1。轉錄模型是 Dragon Copilot Transcribe,建構於 MAI Transcribe 2 之上——這是 Microsoft 的臨床聽寫途徑,該公司表示它在 Dragon Copilot 內處理 100% 的醫病轉錄,每月涵蓋 1,000 萬次病患就診,有三分之一的美國醫師使用,並將多語言錯誤率減半。這些是 Microsoft 的數字,未經稽核,而且它們描述的是一條已有多年部署資歷的產品線,而不是昨天才發表的模型。它是兩者中較成熟的一半,也是較少被討論的一半。

MAI Realtime 1 是全新的產品。Microsoft 將其描述為一款語音轉語音模型,「具備自然的對話流暢度與精確的可操控性」,結合音訊理解、語音生成與即時推理,讓單一介面即可承載可操控的語音代理。

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.'

一分鐘一分錢實際上能買到什麼

主打費率是語音對語音每音訊分鐘 $0.01。這是 Microsoft 自家文章標題中的數字,而且相對於它所針對的語音 API,這是真正的數量級變化。但這不是全部帳單,而結構比標題數字更重要:

• 基礎對話 — 每音訊分鐘 $0.01,涵蓋語音對語音迴圈本身。

• 推理 — 每百萬輸入 token 另行計費 US$1.00,每百萬輸出 token 另行計費 US$5.00。

• 預覽期間計費 — 使用 Foundry 有限存取預覽版的客戶,在公開預覽開始前都不會被收費。你在預覽期間所測量的一切都是免費的,這正是現在就開始、而非等到正式全面推出才動手的最佳理由。

• 未公布的是——對話升級到推理層級的頻率沒有數字。少了這個,$0.01 只是下限,而非估算。一通在四個回合中觸及推理引擎的客服通話,成本會明顯高於一通從未離開快速路徑的通話,而微軟並未說明實務上這樣的比例是什麼樣子。

把它和第一天就被拿來比較的模型對照一下。O​penAI 的 G​PT Live 1 語音工作階段為每分鐘 $0.05,按秒計費,後端模型與工具使用費另計。O​penAI 的 G​PT Realtime 2.1 則改按 token 計價——每百萬個音訊輸入 token 為 $32,每百萬個音訊輸出為 $64——Artificial Analysis 在其 High 設定下將其標準化為約每小時 $10.75。ElevenLabs 的 Eleven Realtime Max 在相同的獨立基準下約為每小時 $4.80。Microsoft 的 cent 在任何推理 token 之前算下來為每小時 $0.60。單就語音這一部分來看,這是實實在在的差距;一旦推理費用計入帳單,它就會是一個範圍,而不是一個數字。

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'.

四項能力宣稱,其中兩項附有編號

能力清單讀起來順暢,且完全是質性描述。Microsoft 表示,該模型能處理打斷與快速確認,並知道何時該讓對方把話說完;快速的系統可讓對話保持即時,而較困難的任務會轉交給更強的推理引擎,不會出現尷尬的停頓;它仍能在背景噪音和其他人聲中辨識請求;它能連接企業系統以執行多步驟請求;而且可透過提示詞引導語氣、風格與行為。

與此相對,測量方面卻很薄弱,而且完全是由廠商自行回報。Microsoft 表示,MAI Realtime 1 在 Big Bench Audio 語音推理與 τ-Voice 代理任務基準測試上「位於效能價格的帕雷托前沿」,並在品質、速度和價格上勝過 GPT Realtime 2.1。該公司唯一公布的準確率數字在模型頁面上:Big Bench Audio 上為 98.8%,頁面在那裡將其描述為「Big Bench Audio 基準測試中口語推理問題的準確率」。那是廠商數字,由廠商產生,選的是廠商自己挑的基準測試,旁邊沒有任何方法說明。同一頁面還有一張 P50「首次音訊時間」卡片,以及另一張標示為「P50 Latency on BigBench Audio」的卡片,而且完全沒有任何 τ-Voice 分數。也沒有公布任何語言清單。

所以,誠實的解讀比任何一種極端都更狹窄。這不是一個完全沒有數字的模型——它是一個只有一個準確率數字、一個內部延遲數字,且這兩者都沒有獨立驗證的模型。截至 11 月 18 日,Artificial Analysis 的語音轉語音排行榜並未收錄 MAI Realtime 1,這意味著沒有人曾在可讓你檢查的評測框架下重新跑過那個 98.8%。把它視為一個恰好被量化的說法,而不是一項結果。

這不是否定該模型的理由。這反而是把你這週讀到的每一項比較——包括讓它曝光的那篇貼文裡的比較——都視為初步印象的理由。「它感覺非常接近 GPT Live 模型」是一個可檢驗的陳述,但目前還沒有人在公開場合測試過;獨立評測框架也尚未對 MAI Realtime 1 評分——截至 11 月 18 日,Artificial Analysis 的語音對語音排行榜上並沒有它。微軟為自己選擇的比較對象是 GPT Realtime 2.1,一個按 token 計價的推理語音模型,而不是全雙工的 GPT Live 1。兩者是不同產品,定價結構也不同,而後者並沒有廠商正面對決的比較。

Copilot 問題

微軟資料實際上對 Copilot 的說法很具體,且遠比「語音模式」來得狹窄。MAI Realtime 1 即將登陸Dynamics 365 Contact Center用於客戶服務,也即將登陸Dragon Copilot,用於模擬病患對話,協助護理人員演練臨床互動。兩者都有明確名稱,兩者都是企業部署,兩者都是未來式。

Copilot Voice Mode 也不是。Ignite 主題演講逐字稿完全沒有提到 Realtime 1——它只出現在相關文章列表中——而模型頁面也沒有以任何形式提到 Copilot。因此,關於 Realtime 1 將驅動 Copilot 中 Voice Mode 的說法,截至今日是沒有來源依據的。它很可能最後被證實為真;消費版 Copilot 語音顯然是放置每分鐘定價一美分模型的明顯位置。但一項尚未公布的產品決策,並不等同於一項已經公布的產品決策,而圍繞未公布的藍圖來規劃遷移,正是團隊最終落得無人支援的整合的下場。

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.

誰可以呼叫它,以及如何呼叫?

目前可用的途徑有兩道,而且都很窄。在 MAI Labs 有一個示範,這是 Microsoft 針對全新與實驗性模型提供的有限預覽介面:每次工作階段兩分鐘、須登入、年滿 18 歲,且僅限個人非商業用途。在我們檢查期間,示範本身回報「MAI Realtime 目前無法使用」,這點值得在您規劃以此進行團隊評估之前先了解。第二道門是 Foundry 的有限存取預覽,須透過註冊表單進入,而非自助式金鑰。

對工程而言最要緊的細節是相容性:MAI Realtime 1 說的是 O​penAI Realtime API。如果你的語音技術堆疊原本就是針對該介面打造,那麼評估就只是改個 base URL 和模型字串,而不是重寫——這正是 ElevenLabs 推出相容於 OpenAI 的 Realtime 端點為自己換來的相同實質優勢。如果你的堆疊是針對其他廠商的 session 協定打造,那麼無論價格如何,這個預覽版都是一個貨真價實的移植專案。

推理交接才是值得圍繞設計的部分。

兩層式設計是這次公告中最關鍵的東西,而它正是價格標題所掩蓋的部分。一分錢買到的是快速路徑。當來電者詢問需要規劃、跨企業系統的工具呼叫,或需要謹慎處理的多步驟答案時,這一輪就會離開語音模型,落到推理模型上,而該模型每百萬個 token 收費 1 美元與 5 美元。那是一張附在語音產品上的普通文字模型價目表,這意味著你的語音帳單裡現在夾著一份文字帳單,而你的延遲預算裡也多了一個模型。

那正是路由器該介入的接縫。OrcaRouter 以 0% 加價幅度原樣傳遞供應商牌價,因此當推理層級的費率變動時 你的閘道所回報的數字會在當天變動,而不是等到下一次合約續約才變動。自動容錯移轉在這裡比在聊天產品中更重要:一輪語音對話若停滯,就是一個人正在聽無聲的等待;一個在 400 毫秒內退回第二家供應商的請求讓人無感,而重試四秒的請求則不然。路由 DSL 是另一半——快速對話路徑與推理升級可以組合成一次呼叫,因此交接是一條路由,而不是你自己維護的應用程式邏輯。

確切說明我們提供與不提供的內容:MAI Realtime 1 不在 OrcaRouter 的產品目錄中。可透過 Microsoft 的 MAI Labs 示範以及 Foundry 有限存取預覽版使用。語音代理背後的推理模型則是另一回事——那正是我們路由的層級,也是當日價格變動或供應商突發狀況實際影響到您使用者的層級。

要在預覽中測量什麼,因為 Microsoft 已私下測量過

由於在公開預覽之前,預覽版本都不計費,所以本月最划算且有用的工作是把東西量測清楚,而不是採購。有四個數字能決定這筆錢是否站得住腳:

• 升級率——有多少比例的回應會離開快速路徑、轉往推理層級。這個數字把 $0.01 換算成實際的每次呼叫成本,而這正是微軟完全略而不談的那一項數據。

• 首次音訊時間,是在你自己的音訊路徑上測得的。Microsoft 的模型頁面顯示了它的 P50 數值,但沒有分佈支撐的 P50 無法告訴你任何關於尾端延遲的事,而通話者注意到的正是尾端。要測量一百次中最慢的一輪,而不是中位數。

• 真實重疊情境下的插話行為——廠商聲稱它能區分附和訊號、插話與更正。這個說法只要用錄下的通話音訊,一個下午就能證偽;而這正是代理讓人感覺自然,還是會搶話打斷別人的差別。

• 自家領域詞彙的錯誤率。聯絡中心與臨床音訊正是通用語音模型失準之處,而 Dragon Copilot 的臨床數據也無法說明你的產品名稱表現如何。

把那堆東西拿去對照一家現有廠商,而不是對照規格表。11 月 18 日的坦率解讀是:MAI Realtime 1 在同類產品中定價最激進,公開證據卻最薄弱——只有一個未經稽核的 98.8% 和一個延遲百分位數,對比之下,競爭對手有可供檢視的評測框架——其 Copilot 雄心僅以聯絡中心與護理人員培訓部署的形式留下紀錄,而它將驅動 Copilot Voice Mode 的說法只是一則貼文,不是新聞稿。每分鐘一美分便宜到值得一試,也便宜到在未經測量下不值得信任。