По нормализованной методике Microsoft час входящего аудио с MAI Realtime 1 обходится в $1,35 — примерно на 87% дешевле, чем заявленные $10,75 у конфигурации GPT-Realtime-2.1 High. Но ставка $0,01 за минуту — это лишь цена аудио: reasoning тарифицируется сверх неё.
17 ноября 2026 года на Ignite Microsoft представила MAI Realtime 1 — свою первую speech-to-speech-модель. Сейчас она доступна в ограниченном preview через Microsoft Foundry: нужна регистрация, а до запуска public preview плата не взимается. Короткую демонстрацию можно попробовать в MAI Labs.
$0,01 за минуту — это аудио, а не полноценный ответ модели
В официальном прайс-листе Microsoft AI указаны три составляющие:
| Что тарифицируется | Цена |
|---|---|
| Базовый speech-to-speech | $0,01 за аудиоминуту |
| Входные токены reasoning | $1 за 1 млн токенов |
| Выходные токены reasoning | $5 за 1 млн токенов |
Без учёта reasoning арифметика простая: 60 минут стоят $0,60, а $1 хватает на 100 минут аудио. Microsoft называет ставку ценой «от», поскольку при обращении к более глубокому движку reasoning добавляется токенная тарификация.
Как часто включается reasoning, компания не раскрывает. Microsoft сообщает, что обычные реплики обрабатывает быстрая разговорная система, а более мощный reasoning подключается только для сложных запросов. При этом нет данных о токенах на минуту, о том, учитывается ли в минутном расчёте аудио и звонящего, и модели, а также о правилах округления. Поэтому $0,01 стоит считать нижней границей, а не итоговой ценой.
«Сравнения производительности, задержек и стоимости зависят от приложения и методологии». — Microsoft AI, анонс MAI Realtime 1
Откуда в бенчмарке $1,35 за час вместо $0,60
$0,60 в час — это стоимость самого аудио. $1,35 — нормализованная стоимость бенчмарк-нагрузки по версии Microsoft; опубликованных деталей биллинга недостаточно, чтобы восстановить разницу через оценку токенов в минуту. Приведённые ниже цифры взяты из разбора Magica на основе данных Microsoft.
| Конфигурация модели | Speech-reasoning (Big Bench Audio, 40 вопросов) | Выполнение агентных задач (τ-Voice) | Стоимость часа входящего аудио |
|---|---|---|---|
| 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 |
В обоих тестах MAI опережает указанную конфигурацию GPT примерно при одной восьмой её бенчмарк-стоимости. Она также обходит самый дешёвый Gemini на 27,4 процентного пункта по выполнению задач, но уступает Extended Thinking на 11,1 пункта и Phonic 1 High на 22,4.
Все числа выше следует воспринимать как данные поставщиков: Microsoft тестировала MAI внутри компании, а показатели конкурентов приписаны Artificial Analysis. Срез Big Bench Audio включает лишь 40 отобранных вопросов, а результат τ-Voice — это оценка в бенчмарке, а не фактическая доля успешно решённых обращений в службе поддержки.
Что умеет Realtime 1 в живом разговоре
MAI Realtime 1 поддерживает обработку перебиваний, вызов инструментов и маршрутизацию reasoning для телефонных агентных сценариев. Заявлены устойчивость к фоновому шуму и настройка персоны через промпт. Модель ориентирована на телефонные линии и поддержку, а не на потребительский чат. Microsoft называет её совместимой с OpenAI Realtime API, что должно упростить тестирование и миграцию. Но различия могут быть в endpoint, схемах инструментов, голосах и обработке ошибок.
Пока не раскрыты поддерживаемые языки и голоса, точная задержка, размер контекстного окна, лимиты запросов и параллельных вызовов, регионы и политика хранения данных.
Как попробовать MAI Realtime 1: MAI Labs или preview в Foundry
Демо в MAI Labs: открытый тест для личного некоммерческого использования, сессии — до примерно 2 минут, пользователи — от 18 лет. Подходит, чтобы оценить качество голоса и обработку перебиваний, но не для нагрузочного тестирования. Ограниченный preview Foundry: вариант для корпоративной разработки. Зарегистрируйтесь через форму интереса на странице модели MAI Realtime 1, дождитесь одобрения и работайте с Realtime endpoint, совместимым с OpenAI. До старта public preview плата не взимается; его дата пока не объявлена.
Если уже на этой неделе вам нужны production SLA, регионы или обязательства по GA, купить эту модель пока нельзя. Только прототипирование.
Посчитайте первые 1 000 звонков до выбора модели
Поминутная ставка скрывает главное. Начните с одной формулы, а затем посчитайте стоимость решённого обращения:
Cost = audio minutes x $0.01 + input reasoning tokens / 1M x $1 + output reasoning tokens / 1M x $5
Пример: звонок в поддержку длительностью 4 минуты стоит $0,04 за аудио. Если на него ушло 2 000 входных и 500 выходных токенов reasoning, добавится $0,002 + $0,0025 = $0,0045 — всего примерно $0,0445 за звонок. При 1 000 звонков и 15% повторных попыток около 1 150 тарифицируемых эквивалентов звонка обойдутся примерно в $51,18. Если из исходных 1 000 обращений решены 600, стоимость одного решённого случая составит около $0,085. Длина повторных звонков и расход токенов зависят от сценария, поэтому подставьте собственный профиль повторных попыток.
Пока собственные тесты не покажут стоимость reasoning-токенов и особенности биллинга, используйте $1,35 за час входящего аудио как ориентир из вендорского бенчмарка; это не верхний предел. Реальная стоимость может оказаться выше или ниже — из-за нераскрытых деталей reasoning и учёта минут. Измеряйте её в preview.
| Ваша ситуация | Что выбрать |
|---|---|
| Уже есть приложение на OpenAI Realtime, важна экономия, задачи сводятся к простым запросам | Тестировать MAI Realtime 1 параллельно: совместимость сократит объём миграции |
| Сложные многошаговые задачи, где важнее доля выполненных сценариев, чем минимальная цена | До перехода по цене сравнить в бенчмарках с Extended Thinking или вариантами класса Phonic |
| Сейчас нужны GA, SLA либо раскрытые языки и регионы | Подождать, остаться у текущего провайдера и вернуться к вопросу после public preview |
FAQ
Как считается аудиоминута?
Microsoft указывает только «за аудиоминуту», не объясняя, раздельно ли учитывается аудио звонящего и модели, и не публикуя правила округления. Пока прайс-лист не уточнён, закладывайте в расчёт весь аудиотрафик.
Что именно можно проверить в preview?
Демо Labs позволяет оценить голос и обработку перебиваний в коротких сессиях. Только закрытый preview Foundry открывает OpenAI-совместимый endpoint для вызова инструментов и нагрузочного тестирования; он всё ещё не тарифицируется.
Когда стоит перепроверить цену?
Когда Microsoft объявит дату public preview и опубликует прайс-лист Foundry с деталями учёта, языков и регионов. До этого все цифры здесь следует считать ценами preview.