Nel benchmark normalizzato di Microsoft, MAI Realtime 1 costa $1,35 per ogni ora di audio in ingresso: circa l'87% in meno rispetto ai $10,75 della configurazione GPT-Realtime-2.1 High. Il listino da $0,01 al minuto rappresenta però soltanto il costo base dell'audio; il reasoning viene addebitato separatamente.
Microsoft ha annunciato MAI Realtime 1, il suo primo modello speech-to-speech, il 17 novembre 2026 durante Ignite. Il modello è disponibile in preview limitata tramite Microsoft Foundry, previa registrazione, e non verrà fatturato fino alla public preview. Per una prova rapida c'è anche una demo in MAI Labs.
Il minuto audio costa $0,01, ma il reasoning è extra
Il listino ufficiale pubblicato da Microsoft AI prevede tre voci:
| Voce | Prezzo |
|---|---|
| Speech-to-speech base | $0,01 per minuto audio |
| Input per il reasoning | $1 per 1M di token |
| Output del reasoning | $5 per 1M di token |
Senza considerare il reasoning, il calcolo è immediato: 60 minuti costano $0,60, mentre con $1 si acquistano 100 minuti di audio. Microsoft parla di prezzo "starting at" perché le chiamate che attivano il motore di reasoning più approfondito accumulano costi token aggiuntivi.
Non è noto con quale frequenza venga attivato il reasoning. Microsoft afferma che un sistema conversazionale rapido gestisce i turni ordinari e delega le richieste più complesse a un reasoning più potente, ma non indica token per minuto, non chiarisce se nel conteggio dei minuti rientrino sia l'audio del chiamante sia quello del modello e non pubblica regole di arrotondamento. Quel centesimo va quindi considerato un minimo, non il conto finale.
"Le comparazioni di prestazioni, latenza e costi variano in base all'applicazione e alla metodologia." — Microsoft AI, annuncio di MAI Realtime 1
Perché il benchmark arriva a $1,35 l'ora anziché $0,60
I $0,60/ora corrispondono al solo audio grezzo. Gli $1,35 sono invece il costo di un carico normalizzato sul benchmark Microsoft; i dettagli di misurazione pubblicati non bastano a ricostruire la differenza partendo da una stima dei token al minuto. I dati seguenti provengono dall'analisi di Magica sui dati Microsoft.
| Configurazione del modello | Speech-reasoning (Big Bench Audio, 40q) | Completamento agentico (τ-Voice) | Costo per ora di audio in ingresso |
|---|---|---|---|
| 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 supera la configurazione GPT indicata in entrambi i test, a circa un ottavo del costo benchmark. Rispetto al Gemini meno costoso ottiene inoltre 27,4 punti in più nel completamento, ma resta indietro di 11,1 punti rispetto a Extended Thinking e di 22,4 rispetto a Phonic 1 High.
Tutti i numeri riportati sono dati dichiarati dai fornitori: Microsoft ha valutato MAI internamente e attribuito i risultati della concorrenza ad Artificial Analysis. Il sottoinsieme Big Bench Audio comprende appena 40 domande selezionate, mentre il punteggio di completamento τ-Voice è un risultato benchmark, non un tasso misurato di risoluzione nell'assistenza clienti.
Cosa sa fare Realtime 1 durante una chiamata
MAI Realtime 1 supporta la gestione delle interruzioni, l'uso di tool e il reasoning instradato per carichi di lavoro basati su agenti telefonici. Offre tolleranza al rumore di fondo e persona controllabili tramite prompt. L'obiettivo sono le chiamate e il supporto, non la chat per utenti consumer. Microsoft lo descrive come compatibile con OpenAI Realtime API, così da semplificare test e migrazione, pur con possibili differenze in endpoint, schema dei tool, voci e gestione degli errori.
Restano ignoti lingue e voci supportate, latenza effettiva, dimensione della finestra di contesto, limiti di richieste e concorrenza, regioni e policy di conservazione dei dati.
Come provarlo oggi: MAI Labs e preview Foundry
Demo MAI Labs: prova pubblica per uso personale non commerciale, con sessioni fino a circa 2 minuti e riservata agli utenti dai 18 anni in su. È utile per valutare qualità della voce e gestione delle interruzioni, molto meno per i test di carico. Preview limitata Foundry: è il percorso pensato per le aziende. Registrati tramite il modulo di interesse nella pagina del modello MAI Realtime 1, attendi l'approvazione e sviluppa sull'endpoint Realtime compatibile con OpenAI. Non sono previsti addebiti fino all'avvio della public preview, per la quale Microsoft non ha annunciato una data.
Se questa settimana ti servono SLA di produzione, regioni disponibili o un impegno per la GA, questo modello non è ancora acquistabile. Per ora va usato solo per prototipi.
Stima il costo delle prime 1.000 chiamate prima di scegliere
Il prezzo al minuto può nascondere il dato che conta davvero. Parti da questa formula e poi calcola il costo per caso risolto:
Cost = audio minutes x $0.01 + input reasoning tokens / 1M x $1 + output reasoning tokens / 1M x $5
Esempio pratico: una chiamata di supporto di 4 minuti costa $0,04 di solo audio. Se utilizza 2.000 token di input e 500 token di output per il reasoning, si aggiungono $0,002 + $0,0025 = $0,0045, per un totale di circa $0,0445 a chiamata. Su 1.000 chiamate, con un tasso di tentativi ripetuti del 15%, circa 1.150 equivalenti di chiamata fatturati costano circa $51,18. Se 600 delle 1.000 chiamate iniziali vengono risolte, il costo per caso risolto è circa $0,085. Durata dei tentativi ripetuti e consumo di token cambiano a seconda del flusso: sostituisci quindi questi dati con il tuo profilo di retry.
Finché i test diretti non mostreranno i costi effettivi di token di reasoning e misurazione, usa $1,35 per ora di audio in ingresso come proxy del benchmark del fornitore; non è un tetto massimo. Il tuo carico potrebbe collocarsi sopra o sotto questa stima in base a comportamenti di reasoning e metering non pubblicati, quindi misuralo durante la preview.
| La tua situazione | Scelta consigliata |
|---|---|
| Hai già un'app OpenAI Realtime, pressione sui costi e consultazioni semplici | Prova MAI Realtime 1 in parallelo; la compatibilità riduce il lavoro di migrazione |
| Gestisci attività complesse in più passaggi, dove il tasso di completamento conta più del costo puro | Confrontalo con opzioni Extended Thinking o della classe Phonic prima di cambiare solo per il prezzo |
| Ti servono subito GA, SLA o lingue e regioni dichiarate | Aspetta; resta con il fornitore attuale e verifica di nuovo alla public preview |
FAQ
Come viene calcolato il minutaggio audio?
Microsoft parla soltanto di "per audio minute", senza pubblicare una distinzione tra chiamante e modello né una regola di arrotondamento. Finché il listino non chiarirà il punto, considera tutto l'audio nel calcolo.
Cosa permette di testare davvero la preview?
La demo Labs consente di valutare qualità della voce e gestione delle interruzioni in sessioni brevi. Solo la preview Foundry con accesso controllato espone l'endpoint compatibile con OpenAI per tool call e test di carico, ancora senza fatturazione.
Quando conviene ricontrollare questi prezzi?
Quando Microsoft annuncerà una data per la public preview e pubblicherà il listino Foundry con dettagli su misurazione, lingue e regioni. Fino ad allora, considera tutte le cifre riportate qui come prezzi di preview.