语音模型

一分钟 1 美分,但只办完 57.5% 的任务:微软首款语音对语音模型,把账单拆成了两截

2026年11月18日3 次阅读Read in English
一分钟 1 美分,但只办完 57.5% 的任务:微软首款语音对语音模型,把账单拆成了两截

音频模型动态 · 2026-11-17

MicrosoftMAI Realtime 1$0.01/音频分钟语音对语音Ignite 2026τ-Voice 57.5%OpenAI Realtime API 兼容

一句话先说结论

微软在 Ignite 2026 上放出了它第一款「语音进、语音出」的实时语音模型 MAI Realtime 1,标价每分钟 1 美分(约 7 分钱人民币),比现在主流实时语音 API 便宜一个数量级;但这个 1 美分只买到「说话」这一段,模型一旦开始「想事情」,就要另外按 token 付费——所以它是一张地板价,不是一张账单。

这到底是什么

过去做语音助手,常见做法是三段接力:先把你的话转成文字(ASR),再把文字喂给语言模型想,最后把答案合成语音(TTS)。三段各自有延迟,也各自会丢信息——语气、停顿、被打断时的反应,全在这一串转换里被磨平。

MAI Realtime 1 走的是另一条路:音频直接进、音频直接出,中间不再落成文字。微软给它的定位是「面向真实企业场景的实时语音 AI」,强调四件事:

  • 能处理打断、快速附和("嗯""对"),也知道什么时候该等你说完
  • 遇到需要深想的问题,转交给一个更强的推理引擎,尽量不出现尴尬停顿
  • 背景噪音、旁边有人说话时仍然能听清请求
  • 能连企业系统去真正办事,而不只是回答问题

同时它是微软在 Ignite 2026 一口气发布的七款模型之一(同批还有编码、图像、安全、转写等),所以这不是一次孤立的技术演示,而是整条产品线的价格重构。

为什么值得看:1 美分这个数字

按微软自己的说法,基础语音对语音计费是 每音频分钟 0.01 美元。换成小时就是 0.6 美元。

放在同类里对比会更清楚(这些是微软模型页上引用的第三方归一化数据):OpenAI 的 GPT-Realtime-2.1 在 High 配置下,每小时输入音频约 10.75 美元;ElevenLabs 的 Realtime Max 大约 4.8 美元/小时。也就是说,单看「说话」这一段,微软把价格压到了对手的十分之一到二十分之一。

更实用的一点是兼容性:MAI Realtime 1 兼容 OpenAI 的 Realtime API。这意味着已经在用那套接口的团队,理论上不用重写接入层就能拿它做 A/B 测试——这是这次发布里最容易被忽略、但对工程团队最省事的一条。

但 1 美分买不到「办完一件事」

这里必须把话说清楚:0.01 美元是底价,不是你的账单。

微软在价格脚注里写明了,推理单独计费:输入每百万 token 1 美元,输出每百万 token 5 美元。也就是说,一通电话如果只是寒暄、查个营业时间,可能真的只花几美分;但只要模型中途去查库存、核对订单、判断该走哪个流程,就会踩进推理档,费用按 token 往上叠。

问题在于:微软没有公布「一通对话有多大比例会升级到推理档」。这个数字缺失,1 美分就永远只能当区间下限看,不能当预估算。

这件事在 τ-Voice 这个「智能体任务完成率」基准上体现得更直接。τ-Voice 只统计全双工模型(能同时听和说的一类),微软模型页给出的对比是:

  • Gemini 3.8 Live:完成率 30.1%,每小时输入音频 0.84 美元
  • MAI Realtime 1:57.5%,1.35 美元
  • Gemini 3.8 Live Extended Thinking(High):68.6%,3.50 美元
  • Phonic 1(High):79.9%,4.20 美元
  • GPT-Realtime-2.1 High:45.7%,10.75 美元

把这张表读平实一点:MAI Realtime 1 在同等价位上确实打赢了 GPT-Realtime-2.1,也打赢了最便宜的 Gemini 档;但它并不是完成率最高的那个——比它贵 2.6 倍的 Gemini 扩展思考档、贵 3 倍的 Phonic 1,办完的任务都更多。所谓「性价比前沿」,说的不是「最好」,是「在这个价钱上不算亏」。

那些数字的成色

三个关键数字,各自的前提不一样,混着看会看错:

  • 98.9%:Big Bench Audio 上的语音推理准确率。注意这是在固定的 40 题子集上,而且来自微软内部评测——模型页的图表脚注写明,竞品的分数与成本引自 Artificial Analysis,只有 MAI 自家这一个是内部跑的。两个来源的数字放在同一张图上,不能当成同一把尺子量出来的。
  • 880 毫秒:首音延迟(Time to first audio)的 P50 值。这是官方口径的「一半请求快于这个数」,不是平均值,也不是最差值。实时语音体验里,尾延迟往往比中位数更影响体感。
  • 1.3548 美元/小时:图表里给 MAI Realtime 1 归一化后的输入音频成本,和 0.01 美元/分钟(=0.6 美元/小时)不是一回事——前者是基准测试工作负载的折算,后者是计价单价。两个数字都对,但回答的是不同问题。

另外值得记一笔:截至 11 月 18 日,Artificial Analysis 的语音对语音榜上还没有 MAI Realtime 1。也就是说,那个 98.9% 目前没有第三方用可检查的测试框架复现过。

怎么用,现在能用到什么程度

  • 想先听听效果:微软在 MAI Labs 放了在线试玩,但它明确限制为个人、非商业用途,且排除学校和工作场景。拿它做内部评审可以,别拿它当企业可用性的证据。
  • 想真接系统:走 Microsoft Foundry 的限量访问预览,需要填意向表。微软说预览期间不计费,直到公开预览开始——这是现在最值得动手的理由:免费拿到真实通话数据。
  • 已经在用 OpenAI Realtime API:直接拿同一套 prompt、同一套工具定义跑一遍,重点看两件事——多少轮会触发推理档、打断后的恢复是否自然。

不适合谁(这部分要诚实)

  • 需要 GA 日期、SLA、区域可用性承诺的团队:官方公告里一个字都没提。
  • 需要明确支持语言清单的团队:模型页没有语言列表。
  • 想按「每通电话成本」做预算的团队:现在只能拿到单价和一个未公开的推理触发率,算不出闭环。
  • 医疗、客服等强合规场景:Dragon Copilot、Dynamics 365 Contact Center 的接入是「计划中」,Agoda 和 Reservations.ai 是「在试用」,没有任何客户侧的完成率或节省数据公开。

避坑:几个容易踩的坑

  1. 把 X 上的说法当官方口径。 有账号称这个模型「将驱动 Copilot 的 Voice Mode」「体感非常接近 GPT Live」,但这两句都不在微软的发布材料里。发布当天,二手说法往往比一手材料跑得快。
  2. 拿每分钟单价乘通话时长当预算。 真正的变量是推理触发率,不是时长。
  3. 把 98.9% 当成通用准确率。 它是在 40 道语音推理题上的成绩,不是客服解决率,也不是嘈杂环境下的识别率。
  4. 忘了预览期不计费是暂时的。 在预览里测出的成本结构,等公开预览开始收费后要重算一遍。

如果你是做决策的那个人

第一步,别急着换供应商,先做一次同条件对照:同一批真实通话录音、同一套工具调用、同一份 prompt,分别跑现有方案和 MAI Realtime 1,记录三个数——任务完成率、首音延迟分布、每通电话总花费(含推理 token)。

第二步,把「推理触发率」单独做成一个指标。这是这次发布里唯一没有答案、却决定成本的数字。

第三步,如果测试结果是正向的,再考虑迁移;兼容 OpenAI Realtime API 这件事让迁移成本很低,但没有任何东西能替代你自己那批通话数据的结论。

参考来源

以下为本文核验所用的一手与第三方来源,按发布时间在近 72 小时窗口内。

本文的核心事实以微软官方发布材料为一手依据;价格脚注、竞品对比数据的来源拆分、以及「X 上流传但官方材料未提及」的两条说法,基于多家媒体(Thurrott、Scalevise、Magica、OrcaRouter)在 11 月 17 日至 18 日的转述与交叉核对整理。

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...