微软发布首个语音到语音模型MAI Realtime 1

IT时代网11月18日消息,在Ignite 2026大会上,微软宣布其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。该模型可处理打断、快速确认和等待对方说完等自然对话细节,并能在嘈杂环境或多人同时说话时理解用户请求;不仅可实时回应语音,还能在任务需要更深入思考时调用更强的推理引擎,并连接企业系统与工具,完成预订、客服处理等复杂操作,开发者可通过提示词调整其语气、风格和行为。

价格方面,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。

微软称,在公开基准测试及内部产品评估中,MAI Realtime 1在质量、速度和价格上均优于GPT Realtime 2.1:Big Bench Audio语音推理基准上取得98.9%的准确率,每小时输入音频成本约1.35美元;相比之下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。该模型已兼容OpenAI Realtime API,便于开发者测试和迁移现有语音应用;Agoda、Reservations.ai等公司已开始试用,微软还计划将其用于Dynamics 365 Contact Center客服场景,以及Dragon Copilot中的AI模拟患者对话,帮助护士练习临床沟通。

注:本文配图由AI生成。本文综合自IT之家等,文中包含AI辅助创作的内容。

编辑:林一舟

THE END