MAI Realtime 1の音声料金は1分あたり$0.01だが、これはあくまで最低ラインだ。Microsoftのベンチマーク換算では、入力音声1時間あたりのコストは$1.35。公開されているGPT-Realtime-2.1 High構成の$10.75と比べると約87%安い。ただし、より深い推論が必要な場面ではトークン料金が別途加算される。
Microsoftは2026年11月17日、Igniteで初の音声対音声モデル「MAI Realtime 1」を発表した。現在はMicrosoft Foundryで登録制の限定プレビューとして提供されており、パブリックプレビュー開始までは課金されない。短いデモはMAI Labsでも試せる。
音声1分$0.01に含まれるのは音声処理のみ
Microsoft AIの公式料金表には、次の3項目が記載されている。
| 課金項目 | 料金 |
|---|---|
| 基本の音声対音声処理 | 音声1分あたり$0.01 |
| 推論入力 | 100万トークンあたり$1 |
| 推論出力 | 100万トークンあたり$5 |
推論を除いた単純計算なら、60分で$0.60、$1で100分の音声を処理できる。Microsoftが分単価を「starting at」と表現しているのは、より深い推論エンジンに回された通話では、この金額にトークン課金が上乗せされるためだ。
推論がどの程度の頻度で起動するかは公表されていない。Microsoftによれば、通常のターンは高速な会話システムが担当し、難しい要求だけが強力な推論を呼び出す。ただし、1分あたりのトークン数、通話者とモデルの音声をどちらも分数に算入するのか、端数処理のルールは公開されていない。1分$0.01は請求額ではなく、下限として見積もるべきだ。
「パフォーマンス、レイテンシ、コストの比較は、アプリケーションや手法によって異なります。」— Microsoft AI、MAI Realtime 1の発表
ベンチマーク換算が$0.60/時ではなく$1.35/時になる理由
$0.60/時は純粋な音声料金だけを計算した数字だ。一方の$1.35は、Microsoftのベンチマーク用ワークロードで正規化したコストである。公開済みの計測情報だけでは、トークン毎分の見積もりからこの差を再現することはできない。以下の数値は、MicrosoftのデータをMagicaが分析した内容に基づく。
| モデル構成 | 音声推論(Big Bench Audio、40問) | エージェント完遂率(τ-Voice) | 入力音声1時間あたりのコスト |
|---|---|---|---|
| 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は、掲載されているGPT構成を両テストで上回りながら、ベンチマーク上のコストはおよそ8分の1だ。最安のGeminiと比べると完遂率は27.4ポイント高い。ただし、Extended Thinkingには11.1ポイント、Phonic 1 Highには22.4ポイント届かない。
上記はすべてベンダー報告の数値として扱うべきだ。MAIの評価はMicrosoftが社内で実施し、競合モデルの数値はArtificial Analysisによるものとしている。Big Bench Audioの対象は選定された40問にすぎず、τ-Voiceの完遂率も、実際のカスタマーサポートにおける解決率を計測したものではない。
ライブ通話で使える機能
MAI Realtime 1は、電話エージェント用途に向けて、割り込みへの対応、ツール利用、ルーティングされた推論をサポートする。周辺ノイズへの耐性や、プロンプトで制御するペルソナも特徴だ。コンシューマー向けチャットより、電話対応やサポート業務を主な対象としている。Microsoftは、検証や移行を簡単にするためOpenAI Realtime API互換と説明している。ただし、エンドポイント、ツールスキーマ、音声、エラー処理には差異があり得る。
対応言語・音声、正確なレイテンシ、コンテキストウィンドウのサイズ、レート制限と同時実行数、提供リージョン、保持ポリシーは、いずれも未公表だ。
今すぐ試すなら:MAI LabsとFoundry限定プレビューの違い
MAI Labsデモ:公開試用版で、個人の非商用利用向け。セッションは約2分までで、利用者は18歳以上となる。音声品質や割り込み対応を確認するには適しているが、負荷試験には向かない。Foundry限定プレビュー:企業向けの経路はこちらだ。MAI Realtime 1のモデルページにある関心表明フォームから登録し、承認を待ってからOpenAI互換のRealtimeエンドポイントを利用する。パブリックプレビューが始まるまで料金は発生せず、その開始日も発表されていない。
今週中に本番SLA、提供リージョン、GAの確約が必要なら、このモデルはまだ購入できない。現時点ではプロトタイプ用途に限るべきだ。
導入前に最初の1,000件を見積もる
分単価だけでは判断できない。まずは次の式で計算し、最後に解決案件あたりのコストまで出そう。
Cost = audio minutes x $0.01 + input reasoning tokens / 1M x $1 + output reasoning tokens / 1M x $5
例として、4分のサポート通話なら音声料金は$0.04。入力推論トークンが2,000、出力が500なら、$0.002 + $0.0025 = $0.0045が加わり、1通話あたりの合計は約$0.0445となる。1,000件の通話で再試行率が15%なら、課金対象の通話換算は約1,150件、総額は約$51.18だ。当初の1,000件のうち600件が解決すれば、解決案件あたりのコストは約$0.085になる。再試行の長さや消費トークンはフローごとに異なるため、自社の再試行プロファイルに置き換えて計算してほしい。
自社テストで推論トークンと計測コストが見えるまでは、入力音声1時間あたり$1.35をベンダーベンチマークの目安として使える。ただし、これは上限ではない。実際のワークロードがこの目安を上回るか下回るかは、未公開の推論・計測挙動に左右される。プレビュー期間中に測定すべきだ。
| 状況 | 選択肢 |
|---|---|
| 既存のOpenAI Realtimeアプリがあり、コスト圧力が高く、単純な検索が中心 | MAI Realtime 1を並行して試す。互換性により移行の手間を抑えられる |
| 単純なコストより、複雑なマルチステップ業務の完遂率を重視する | 価格だけで切り替える前に、Extended ThinkingまたはPhonicクラスの選択肢と比較検証する |
| 今すぐGA、SLA、開示済みの言語・リージョンが必要 | 待つ。現在のプロバイダーを継続し、パブリックプレビュー時に改めて確認する |
FAQ
音声1分はどのように計測される?
Microsoftは「per audio minute」とだけ説明しており、通話者とモデルの音声をどう分けるか、端数をどう扱うかは公開していない。料金表で明確になるまでは、合計音声時間で見積もっておくのが無難だ。
プレビューでは具体的に何を試せる?
Labsデモでは、短いセッションで音声品質と割り込み対応を確認できる。ツール呼び出しや負荷試験のためのOpenAI互換エンドポイントを利用できるのは、招待制のFoundryプレビューだけで、こちらもまだ無料だ。
料金はいつ再確認すべき?
Microsoftがパブリックプレビューの日程を示し、計測方法、対応言語、リージョンの詳細を含むFoundry料金表を公開した時点だ。それまでは、ここで扱った数値はすべてプレビュー段階の料金として考えるべきである。