快速了解本文
微软发布首款语音对语音模型 MAI Realtime 1
基准测试准确率达 98.9%,每小时成本仅 1.35 美元
模型支持自然对话打断并兼容 OpenAI Realtime API
本摘要由 AI 辅助整理,请以正文内容为准。
数智朋克讯 11月17日,微软在 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,定位为面向真实企业场景的实时语音AI。该模型在语音推理基准测试中展现出比竞品更高的准确率和显著更低的成本,主打企业级实时语音交互能力。
在交互能力方面,MAI Realtime 1 能够处理打断、快速确认和等待对方说完等自然对话细节,并支持在嘈杂环境或多人同时说话时准确理解用户请求。当需要深入思考时,该模型可调用更强的推理引擎,并连接企业系统与工具完成预订、客服等复杂操作。开发者还可以通过提示词调整其语气、风格和行为。
性能与成本是 MAI Realtime 1 的核心竞争力。在 Big Bench Audio 基准测试中,该模型取得 98.9% 的准确率,每小时输入音频成本约为 1.35 美元。作为对比,GPT-Realtime-2 High 的准确率为 96.6%、每小时成本 4.14 美元,Grok Voice 2.0 的准确率为 97.2%、每小时成本 4.80 美元。在定价策略上,MAI Realtime 1 的基础语音对语音使用费为每音频分钟 0.01 美元;若涉及推理,则按每百万输入 token 1 美元、每百万输出 token 5 美元另行计费。
关键数据
目前,MAI Realtime 1 已兼容 OpenAI Realtime API,Agoda 和 Reservations.ai 等公司已开始试用。微软计划将该模型用于 Dynamics 365 Contact Center 客服场景,以及 Dragon Copilot 中的 AI 模拟患者对话。
