微软在 Ignite 2026 大会正式发布自研 MAI Realtime 1,这是微软第一款原生语音到语音实时模型,主打面向企业客服、语音智能体场景,不用先转文字再合成语音,支持自然对话打断、插话、嘈杂环境识别,在基准测试上准确率 98.9%,官方称性能优于 GPT-Realtime 2.1,定价门槛更低,兼容 OpenAI Realtime API,企业开发者可以快速迁移接入,后续还会集成到 Dynamics 365 客服中心、医疗 Copilot 等业务系统里。
一、MAI Realtime 1 核心能力清单
- 原生语音对语音链路:端到端语音交互,减少文字中转带来的延迟,支持实时轮流对话
- 自然对话理解:支持中途打断、抢话、停顿确认,适配真实人类通话习惯,多人混话、背景噪音场景也能识别
- 可联动推理引擎:简单对话直接语音回复,复杂业务任务自动调用大模型推理,对接企业 CRM、预订系统、工单系统执行操作
- 风格可配置:开发者通过提示词调整音色、语气、沟通风格,适配客服、咨询、接待等不同行业
- 接口兼容:兼容 OpenAI Realtime API,原有基于该接口开发的项目改动很小就能切换到 MAI Realtime 1
二、收费标准
- 基础语音到语音通道费:每音频分钟 0.01 美元
- 额外推理费用:输入 token 每百万 1 美元,输出 token 每百万 5 美元
简单对话只收取分钟通道费,需要复杂业务推理才叠加 token 费用。
三、落地场景与试点客户
- 企业呼叫中心、在线语音客服,替代传统 IVR 菜单
- 旅游预订、酒店、零售语音智能体,直接帮用户查单、改预约
- 医疗培训场景 Dragon Copilot,用于医患对话模拟训练
- 试点客户:Agoda 等企业已经开启内部试用
- 后续集成计划:Dynamics 365 Contact Center 原生接入
四、简单总结
MAI Realtime 1 补齐了微软 MAI 模型家族的实时语音赛道,和同类型实时语音模型相比主打性价比、企业集成友好,优势是能处理更自然的插话对话;现阶段处于预览试用阶段,还在持续迭代,能不能大规模替代传统客服系统,要看企业上线之后的稳定性和降噪表现。
【常见问题】
问题 1:微软 MAI Realtime 1 是什么模型,是不是微软首个语音到语音模型?
回答 1:MAI Realtime 1 是微软在 Ignite 2026 发布的首个语音到语音实时模型,面向企业场景,支持低延迟原生语音交互,支持对话打断和嘈杂环境识别。
问题 2:微软 MAI Realtime 1 怎么收费,基础价格是多少?
回答 2:微软 MAI Realtime 1 基础语音到语音计费是每音频分钟 0.01 美元,如果需要复杂推理,额外按 token 计费,输入每百万 token 1 美元,输出每百万 token 5 美元。
问题 3:微软 MAI Realtime 1 对比 GPT-Realtime 2.1 表现怎么样?
回答 3:官方测试中 MAI Realtime 1 在 Big Bench Audio 基准准确率 98.9%,官方宣称整体表现优于 GPT-Realtime 2.1,同时定价更便宜,还兼容 OpenAI Realtime API。
问题 4:微软 MAI Realtime 1 可以用到哪些业务场景?
回答 4:MAI Realtime 1 适合企业语音客服、预订咨询、医疗对话训练,后续会集成到 Dynamics 365 客服中心,Agoda 已经作为试点客户开始试用。
【参考资料】
[2026-11-18](微软发布首个语音到语音模型 MAI Realtime 1)新浪科技
[2026-11-18](微软首款企业级语音对语音 AI 模型 MAI Realtime 1 发布)DoNews
[2026-11-18](微软 Ignite 2026 一口气推出 7 款 MAI 自研模型,覆盖语音、图像、安全、编程)ZAKER
[2026-11-17](Microsoft Ignite 2026: MAI Realtime 1 realtime voice-to-voice model announcement)Microsoft News
【免责声明】
本文仅为微软 MAI Realtime 1 模型资讯整理,性能指标、定价、接口能力、上线进度以微软官方文档和 Azure 公告为准;AI 语音模型受网络、降噪、语种影响效果存在差异,本文不构成企业采购、开发选型建议。
