在昨日(11 月 17 日)举行的 ignite 2026 大会上,微软正式推出其首款语音到语音实时模型——mai realtime 1,专为真实企业级应用场景打造。该模型可精准捕捉对话中的细微交互,如自然打断、即时确认、静默等待对方发言结束等;即便在高噪音环境或多人同时讲话的复杂声场中,仍能准确识别用户意图。当任务涉及深度推理时,模型可自动调用更强大的推理引擎,并与企业内部系统对接,完成会议预订、客户问题闭环处理等实际操作;语气、语调及交互风格亦可通过提示词灵活定制。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

定价策略直接打破行业预期
成本结构极为激进:基础语音转语音服务仅需每音频分钟 0.01 美元;若启用增强推理能力,则按每百万输入 token 收费 1 美元、每百万输出 token 收费 5 美元,单独计费。横向对比更具冲击力:在 Big Bench Audio 基准测试中,MAI Realtime 1 达成 98.9% 的识别准确率,每小时音频处理成本约 1.35 美元;而 GPT-Realtime-2 High 为 96.6% 准确率、每小时 4.14 美元;Grok Voice 2.0 为 97.2% 准确率、每小时 4.80 美元。综合来看,MAI Realtime 1 显著占据“性能—成本”双优象限。
首站落地微软生态内
模型全面兼容 OpenAI Realtime API 协议,开发者可零改造迁移现有语音应用。目前 Agoda、Reservations.ai 等合作伙伴已启动集成测试。微软还明确规划将其深度嵌入 Dynamics 365 客服平台,并在 Dragon Copilot 中作为 AI 模拟患者角色,辅助护士开展临床沟通训练。随着自研语音技术拼图的最后一块就位,微软在关键AI基础设施领域进一步摆脱对外部依赖。











