微软发布 MAI Realtime 1:首个语音到语音模型,音频价格低至每分钟 0.01 美元

2026 年 11 月 17 日(Ignite 大会),微软 AI 宣布推出 MAI Realtime 1,这是其首个语音到语音(speech-to-speech)模型,面向真实企业级应用打造,能够支持自然流畅的对话交互,起价仅为每分钟音频 0.01 美元。

微软方面表示,在公开基准测试及微软内部产品评测中,MAI Realtime 1 在质量、速度和价格三个维度上均优于 GPT Realtime 2.1,并在 Big Bench Audio 语音推理评测与 Tau-Voice 智能体任务完成评测中,同时处于性能-价格帕累托前沿。

微软发布 MAI Realtime 1:首个语音到语音模型,音频价格低至每分钟 0.01 美元

不止”好听”,更要”能办事”​

微软指出,打造一个用户真正愿意与之对话的语音智能体,仅有一个好嗓音远远不够,还需要对话能力、智能水平和执行动作三者在同一时刻协同工作。MAI Realtime 1 通过以下能力实现这一点:

  • 自然对话:可处理对话打断、响应快速反馈(如”嗯””好的”),并判断何时应等待对方讲完再开口;
  • 自适应智能:快速响应机制保障对话实时流转;当任务需要更深层推理时,模型会调用更强的推理引擎给出周全答案,且不出现明显停顿;
  • 稳健理解:即使存在背景噪音或他人在旁说话,仍能准确识别用户请求;
  • 真实世界执行:可承接复杂请求并连接企业系统与工具,让语音智能体不止于回答问题,而是真正完成任务;
  • 可适应人设:可通过提示词调整语气、风格与行为方式,适配不同客户群体、业务领域和使用场景。

此外,MAI Realtime 1 兼容 OpenAI Realtime API,开发者可较为便捷地测试该模型,并迁移现有的语音应用。

客户与产品落地

据微软介绍,Agoda 与 Reservations.ai 等企业已开始试用 MAI Realtime 1。同时,微软正将 MAI Realtime 1 引入 Dynamics 365 Contact Center 以支撑客户服务场景,并接入 Dragon Copilot,用于支持 AI 模拟患者对话,帮助护士练习临床沟通。

定价与获取方式

MAI Realtime 1 的基础语音到语音调用定价为每分钟 0.01 美元;推理部分单独计费,输入为每百万 token 1 美元,输出为每百万 token 5 美元。开发者可在 MAI Labs 中试用该模型,或申请加入 Foundry 限量访问预览;在公开预览开始前,预览客户不会产生费用。

关于评测结果

微软说明,上述结果反映的是特定评测配置与工作负载,性能、延迟与成本对比会因应用场景和测试方法不同而存在差异。其中,竞争性能方面,MAI Realtime 1 是针对 GPT Realtime 2.1,结合 Big Bench Audio、τ-Voice 等公开基准及 Dynamics 365 Contact Center 评测进行对比的。

本文来自作者投稿,版权归原作者所有。如需转载,请注明出处:https://www.nxrte.com/zixun/73314.html

赞 (0)

相关推荐