Bei Microsofts benchmark-normalisierten Kosten von 1,35 $ pro Eingabe-Audiostunde ist MAI Realtime 1 rund 87 % günstiger als die gelistete Konfiguration GPT-Realtime-2.1 High für 10,75 $. Der Tarif von 0,01 $ pro Minute ist allerdings nur die Untergrenze für Audio: Reasoning kommt separat hinzu.
Microsoft stellte MAI Realtime 1, sein erstes Speech-to-Speech-Modell, am 17. November 2026 auf der Ignite vor. Über Microsoft Foundry läuft eine begrenzte Preview, für die eine Registrierung nötig ist und die bis zur Public Preview nicht abgerechnet wird. Eine kurze Demo gibt es in MAI Labs.
0,01 $ pro Minute: Audio ist enthalten, die Antwort nicht
Die offizielle Preisliste von Microsoft AI umfasst drei Positionen:
| Abrechnung | Preis |
|---|---|
| Basis-Speech-to-Speech | 0,01 $ pro Audiominute |
| Reasoning-Eingabe | 1 $ pro 1 Mio. Tokens |
| Reasoning-Ausgabe | 5 $ pro 1 Mio. Tokens |
Ohne Reasoning ist die Rechnung einfach: 60 Minuten kosten 0,60 $, für 1 $ gibt es 100 Audiominuten. Microsoft spricht beim Minutenpreis von „starting at“, weil jeder Aufruf, der auf die tiefere Reasoning-Engine eskaliert, zusätzliche Tokenkosten verursacht.
Wie häufig Reasoning anspringt, verrät Microsoft nicht. Laut Anbieter übernimmt ein schnelles Konversationssystem Routine-Turns, während stärkere Reasoning-Funktionen nur bei schwierigeren Anfragen zum Einsatz kommen. Angaben zu Tokens pro Minute fehlen ebenso wie eine Definition, ob sowohl Anrufer- als auch Modellaudio in die Minutenabrechnung einfließen, oder eine Rundungsregel. Der Cent ist daher als Untergrenze einzuplanen, nicht als finale Rechnung.
„Vergleiche von Performance, Latenz und Kosten variieren je nach Anwendung und Methodik.“ — Microsoft AI, Ankündigung von MAI Realtime 1
Warum Microsoft im Benchmark auf 1,35 $ pro Stunde kommt
Die 0,60 $ pro Stunde beziehen sich auf reines Audio. Die 1,35 $ stehen für Microsofts benchmark-normalisierte Workload-Kosten; die veröffentlichten Abrechnungsdetails reichen nicht aus, um die Differenz über eine Tokens-pro-Minute-Schätzung nachzuvollziehen. Die folgenden Werte stammen aus Magicas Aufschlüsselung der Microsoft-Daten.
| Modellkonfiguration | Speech-Reasoning (Big Bench Audio, 40 Fragen) | Agentische Ausführung (τ-Voice) | Kosten pro Eingabe-Audiostunde |
|---|---|---|---|
| MAI Realtime 1 | 98,9 % | 57,5 % | 1,35 $ |
| GPT-Realtime-2.1 High | 95,8 % | 45,7 % | 10,75 $ |
| Gemini 3.8 Live | — | 30,1 % | 0,84 $ |
| Gemini 3.8 Live Extended Thinking (High) | — | 68,6 % | 3,50 $ |
| Phonic 1 (High) | — | 79,9 % | 4,20 $ |
MAI schlägt die gelistete GPT-Konfiguration in beiden Tests bei etwa einem Achtel der Benchmark-Kosten. Gegenüber dem günstigsten Gemini liegt es bei der Ausführung um 27,4 Punkte vorn, bleibt aber 11,1 Punkte hinter Extended Thinking und 22,4 Punkte hinter Phonic 1 High zurück.
Alle Werte sind als Herstellerangaben zu verstehen: Microsoft testete MAI intern und schrieb die Zahlen der Wettbewerber Artificial Analysis zu. Der Big-Bench-Audio-Ausschnitt umfasst nur 40 ausgewählte Fragen, und die τ-Voice-Ausführung ist ein Benchmark-Score, keine gemessene Lösungsquote im Kundenservice.
Was Realtime 1 im laufenden Gespräch kann
MAI Realtime 1 unterstützt das Verarbeiten von Unterbrechungen, Tool-Nutzung und geroutetes Reasoning für Telefonagenten-Workloads. Hinzu kommen eine Toleranz gegenüber Hintergrundgeräuschen und per Prompt steuerbare Personas. Das Modell zielt auf Telefonie und Support statt auf Consumer-Chat. Microsoft bezeichnet es als kompatibel mit der OpenAI Realtime API, was Tests und Migration vereinfachen soll — vorbehaltlich Unterschieden bei Endpoints, Tool-Schemas, Stimmen und Fehlerbehandlung.
Weiterhin offen sind unterstützte Sprachen und Stimmen, die exakte Latenz, die Größe des Context Windows, Rate- und Concurrency-Limits, Regionen sowie die Aufbewahrungsrichtlinie.
MAI Labs oder Foundry: So lässt sich Realtime 1 jetzt testen
MAI-Labs-Demo: öffentlich nutzbar, für persönliche nichtkommerzielle Zwecke, mit Sitzungen von bis zu etwa 2 Minuten und für Nutzer ab 18 Jahren. Sie eignet sich, um Sprachqualität und Unterbrechungsverhalten zu hören, aber nicht für Lasttests. Foundry Limited Preview: der Weg für Unternehmen. Über das Interessensformular auf der Modellseite von MAI Realtime 1 registrieren, auf die Freigabe warten und dann gegen den OpenAI-kompatiblen Realtime-Endpoint entwickeln. Bis zum Start der Public Preview fallen keine Gebühren an; einen Termin dafür hat Microsoft noch nicht genannt.
Wer diese Woche Production-SLAs, Regionen oder eine GA-Zusage braucht, kann dieses Modell noch nicht kaufen. Es ist vorerst nur für Prototypen geeignet.
Die ersten 1.000 Anrufe vorab durchkalkulieren
Der Minutenpreis allein verschleiert die eigentliche Entscheidung. Eine Formel genügt — anschließend wird aufgelöst pro Fall gerechnet:
Kosten = Audiominuten x 0,01 $ + Eingabe-Reasoning-Tokens / 1 Mio. x 1 $ + Ausgabe-Reasoning-Tokens / 1 Mio. x 5 $
Ein Rechenbeispiel: Ein vierminütiger Support-Anruf kostet 0,04 $ für Audio. Verbraucht er 2.000 Eingabe- und 500 Ausgabe-Reasoning-Tokens, kommen 0,002 $ + 0,0025 $ = 0,0045 $ hinzu. Insgesamt sind das rund 0,0445 $ pro Anruf. Bei 1.000 Anrufen und einer Wiederholungsrate von 15 % ergeben rund 1.150 abgerechnete Anrufäquivalente Kosten von etwa 51,18 $. Werden 600 der ursprünglichen 1.000 Fälle gelöst, liegen die Kosten pro gelöstem Fall bei ungefähr 0,085 $. Die Dauer von Wiederholungen und der Tokenverbrauch unterscheiden sich je nach Flow — deshalb sollte hier das eigene Wiederholungsprofil eingesetzt werden.
Bis eigene Tests Reasoning-Token- und Abrechnungskosten offenlegen, können 1,35 $ pro Eingabe-Audiostunde als vom Anbieter stammender Benchmark-Proxy dienen; eine Obergrenze ist das nicht. Ob die eigene Workload über oder unter diesem Richtwert landet, hängt von nicht veröffentlichtem Reasoning- und Metering-Verhalten ab. Deshalb in der Preview messen.
| Ihre Situation | Empfehlung |
|---|---|
| Bestehende OpenAI-Realtime-App, Kostendruck, einfache Abfragen | MAI Realtime 1 parallel testen; die Kompatibilität reduziert den Migrationsaufwand |
| Komplexe Aufgaben mit mehreren Schritten, bei denen die Lösungsquote wichtiger ist als der reine Preis | Vor einem Wechsel aus Preisgründen gegen Extended Thinking oder Optionen der Phonic-Klasse benchmarken |
| GA, SLAs oder offengelegte Sprachen/Regionen werden jetzt benötigt | Warten; beim aktuellen Anbieter bleiben und zur Public Preview erneut prüfen |
FAQ
Wie werden Audiominuten abgerechnet?
Microsoft nennt lediglich „per audio minute“, veröffentlicht aber weder eine Aufteilung zwischen Anrufer- und Modellaudio noch eine Rundungsregel. Bis die Preisliste genauer wird, sollte von gesamtem Audio ausgegangen werden.
Was lässt sich in der Preview tatsächlich testen?
Die Labs-Demo deckt Sprachqualität und Unterbrechungsverhalten in kurzen Sitzungen ab. Nur die zugangsbeschränkte Foundry-Preview bietet den OpenAI-kompatiblen Endpoint für Tool-Aufrufe und Lasttests — weiterhin ohne Abrechnung.
Wann sollte ich den Preis erneut prüfen?
Wenn Microsoft ein Datum für die Public Preview nennt und die Foundry-Preisliste mit Details zu Abrechnung, Sprachen und Regionen veröffentlicht. Bis dahin sind sämtliche Angaben hier als Preview-Preise zu behandeln.