在昨日(11 月 17 日)的 Ignite 2026 大会上,微软发布首款语音对语音模型 MAI Realtime 1,主打真实企业场景。它能处理打断、快速确认、等对方说完等对话细节,嘈杂环境或多人同时说话时也能听懂请求。任务需要深想时还能调用更强推理引擎,连接企业系统完成预订、客服处理等操作,语气风格可用提示词调教。

价格单直接掀了桌子
价格是重头:基础语音对语音使用费每音频分钟仅 0.01 美元,若涉及推理,按每百万输入 token 1 美元、输出 5 美元另行计费。对比更狠:Big Bench Audio 基准上它拿下 98.9% 准确率、每小时输入音频成本约 1.35 美元;GPT-Realtime-2 High 为 96.6%、每小时 4.14 美元,Grok Voice 2.0 为 97.2%、每小时 4.80 美元,处于“性能—价格”前沿。
先在自己家上岗
兼容 OpenAI Realtime API 让开发者能顺手迁移现有语音应用,Agoda、Reservations.ai 等已开始试用。微软还计划把它派进 Dynamics 365 客服中心,并在 Dragon Copilot 里扮演 AI 模拟患者,帮护士练习临床沟通。自研语音拼图补上后,微软又少一处要看人脸色的环节。
VIP会员