早期割引(12月25日まで)、契約を続ける限りこの価格のまま:Go は月 $10(通常 $20)、Opus 5.5 が使える Plus は月 $30(通常 $50)今すぐ申し込む →

MAI Realtime 1 APIの料金:音声1分$0.01+推論課金(2026年)

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 198.9%57.5%$1.35
GPT-Realtime-2.1 High95.8%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。

入力音声1時間あたりのベンチマーク換算音声コスト:MAI Realtime 1の基本料金、ベンチマークワークロード、GPTの比較

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。

プレビュー登録とMAI Labsデモへの入口があるMAI Realtime 1の公式モデルページ

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。