若以 Microsoft 的基準工作負載換算,MAI Realtime 1 每輸入音訊小時成本為 $1.35,相較於 GPT-Realtime-2.1 High 所列的 $10.75,約便宜 87%。不過,$0.01/分鐘只是音訊的起始費率;只要觸發推理,還會另外產生 Token 費用。
Microsoft 在 2026 年 11 月 17 日的 Ignite 發表 MAI Realtime 1,這是該公司首款 speech-to-speech 模型。目前可透過 Microsoft Foundry 申請有限度 Preview,核准前須先登記,且在 public preview 前不收費;想先快速體驗,也可到 MAI Labs 試用簡短 Demo。
每分鐘 $0.01,只是音訊的基本費
依據 Microsoft AI 公開的費率表,MAI Realtime 1 有三項收費:
| 計費項目 | 價格 |
|---|---|
| 基礎 speech-to-speech | 每音訊分鐘 $0.01 |
| 推理輸入 | 每 100 萬 Token $1 |
| 推理輸出 | 每 100 萬 Token $5 |
先不計推理,使用 60 分鐘音訊是 $0.60,$1 則可買到 100 分鐘音訊。Microsoft 將分鐘費率標示為「starting at」,原因就在於較複雜的請求若升級至深度推理引擎,Token 費用會額外加上去。
目前仍不知道推理會在多高比例的對話中啟動。Microsoft 表示,日常對話由快速的對話系統處理,只有較困難的請求才會動用更強的推理能力;但它未公開每分鐘 Token 用量、通話者與模型的音訊是否都納入分鐘計費,以及計費如何進位。因此,$0.01 應視為成本下限,而不是最終帳單。
「效能、延遲與成本比較會因應用情境及方法論而異。」— Microsoft AI,MAI Realtime 1 發表公告
為何基準成本是每小時 $1.35,而非 $0.60?
$0.60/小時是單純的原始音訊費用;$1.35 則是 Microsoft 依基準工作負載標準化後的成本。由於公開計量細節不足,無法只靠每分鐘 Token 用量估算重現兩者的差額。以下數據整理自 Magica 對 Microsoft 資料的拆解。
| 模型設定 | 語音推理(Big Bench Audio,40 題) | Agentic completion(τ-Voice) | 每輸入音訊小時成本 |
|---|---|---|---|
| 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 在兩項測試都勝過表列的 GPT 設定,基準成本約僅其八分之一;它也比最便宜的 Gemini 高出 27.4 個 completion 百分點,但落後 Extended Thinking 11.1 個百分點,並落後 Phonic 1 High 22.4 個百分點。
上述數字都應視為廠商公布的結果:MAI 由 Microsoft 內部評測,競品數據則歸因於 Artificial Analysis。Big Bench Audio 僅採用 40 道挑選過的題目,而 τ-Voice completion 是基準分數,不能當成實際客服問題解決率。
MAI Realtime 1 在即時通話中能做什麼?
MAI Realtime 1 支援打斷處理、工具呼叫與路由式推理,適合電話 Agent 類型的工作負載;它也具備背景噪音容忍能力,並可透過 Prompt 控制角色設定。定位上,它更偏向電話與客服場景,而非消費者聊天。Microsoft 表示其與 OpenAI Realtime API 相容,有助於測試及遷移,但 endpoint、工具 schema、語音與錯誤處理仍可能有所不同。
目前尚未公開的資訊包括:支援的語言與語音、確切延遲、context window 大小、速率與併發限制、可用區域,以及資料保留政策。
現在怎麼試:MAI Labs 與 Foundry Preview 的差別
MAI Labs Demo:開放大眾試用,限個人非商業用途,每次連線約可使用 2 分鐘,且使用者須年滿 18 歲。適合感受語音品質與打斷處理,但不適合負載測試。Foundry limited preview:企業使用者應走這條路徑。前往 MAI Realtime 1 模型頁面填寫意願表單,等待核准後,即可串接與 OpenAI 相容的 Realtime endpoint。public preview 開始前不會收費,但 Microsoft 尚未公布 public-preview 日期。
如果你這週就需要正式環境 SLA、指定區域支援或 GA 承諾,這個模型目前還無法採購。現階段只適合做原型驗證。
導入前,先算出前 1,000 通電話的成本
只看每分鐘價格,很容易忽略真正的決策成本。先用以下公式計算,再換算成每個成功解決案件的成本:
Cost = audio minutes x $0.01 + input reasoning tokens / 1M x $1 + output reasoning tokens / 1M x $5
舉例來說,一通 4 分鐘的客服電話,音訊費用是 $0.04。若過程中使用 2,000 個推理輸入 Token 與 500 個推理輸出 Token,則要加上 $0.002 + $0.0025 = $0.0045,單通總成本約為 $0.0445。若有 1,000 通電話、重試率為 15%,約 1,150 個計費通話等值的成本約為 $51.18。若原始 1,000 通中有 600 通成功解決,則每個解決案件的成本約為 $0.085。重試通話長度及 Token 用量會隨流程而變,請以自己的重試輪廓代入計算。
在自行測試得出推理 Token 與計量成本前,可先用每輸入音訊小時 $1.35 當作廠商基準代理值;這不是成本上限。實際工作負載高於或低於這個代理值,取決於尚未公開的推理與計量行為,因此應在 Preview 階段實測。
| 你的情境 | 建議選擇 |
|---|---|
| 既有 OpenAI Realtime 應用、成本壓力高、以簡單查詢為主 | 平行試用 MAI Realtime 1;相容性可降低遷移工作量 |
| 複雜多步驟任務,完成率比單純成本更重要 | 別只因價格切換,先與 Extended Thinking 或 Phonic 等級方案進行基準比較 |
| 現在就需要 GA、SLA,或已公開的語言/區域資訊 | 先等待;維持現有供應商,待 public preview 時再評估 |
常見問題
音訊分鐘究竟如何計費?
Microsoft 目前只寫「per audio minute」,未說明通話者與模型的音訊如何區分,也沒有公開進位規則。在費率表補充說明前,規劃成本時應先以全部音訊都納入計算。
Preview 實際能測什麼?
Labs Demo 可在短時間連線中測試語音品質與打斷處理。只有受管制的 Foundry Preview 提供與 OpenAI 相容的 endpoint,可測試工具呼叫與負載,而且目前仍不計費。
什麼時候該重新確認價格?
等 Microsoft 公布 public-preview 日期,並釋出含計量、語言與區域細節的 Foundry 費率表時。此前,本文所有數字都應視為 Preview 定價。