按 Microsoft 归一化后的基准工作负载计算,MAI Realtime 1 每输入音频小时成本为 $1.35;相比标价 $10.75 的 GPT-Realtime-2.1 High 配置,便宜约 87%。不过,$0.01/分钟只是音频的基础门槛,推理费用还要额外计算。
Microsoft 于 2026 年 11 月 17 日的 Ignite 大会上发布了首个语音到语音模型 MAI Realtime 1。目前它通过 Microsoft Foundry 提供有限预览,需要注册申请,在公开预览前暂不计费;也可以在 MAI Labs 体验简短演示。
$0.01/分钟只是音频费,回答本身还会产生推理成本
Microsoft AI 公布的价格表包含三项:
| 计费项目 | 价格 |
|---|---|
| 基础语音到语音服务 | 每音频分钟 $0.01 |
| 推理输入 | 每 100 万 Token $1 |
| 推理输出 | 每 100 万 Token $5 |
不计推理时,60 分钟音频的费用是 $0.60,$1 可购买 100 分钟音频。Microsoft 将分钟价格标为“起价”,因为一旦通话升级到更深层的推理引擎,就会叠加 Token 费用。
推理究竟会在多大比例的对话中触发,目前尚未披露。Microsoft 表示,常规轮次由快速对话系统处理,难度更高的请求才会调用更强的推理能力;但它没有公布每分钟 Token 用量,也未说明分钟数是否同时计算用户和模型的音频,更没有给出计费取整规则。因此,$0.01 应被视为成本下限,而不是最终账单。
“性能、延迟和成本的比较会因应用场景及方法不同而有所差异。”——Microsoft AI,MAI Realtime 1 发布公告
为什么基准成本是 $1.35/小时,而不是 $0.60
$0.60/小时对应的是纯音频费用;$1.35 则是 Microsoft 按基准工作负载归一化后的成本。由于公开的计量细节不足,无法通过每分钟 Token 数推导出两者之间的差额。以下数据来自 Magica 对 Microsoft 数据的拆解。
| 模型配置 | 语音推理(Big Bench Audio,40 题) | 智能体任务完成率(τ-Voice) | 每输入音频小时成本 |
|---|---|---|---|
| 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 在两项测试中都领先于表中的 GPT 配置,而基准成本约为后者的八分之一。它比最便宜的 Gemini 高出 27.4 个完成率百分点,但落后于 Extended Thinking 11.1 个百分点,也比 Phonic 1 High 低 22.4 个百分点。
上述所有数字都应视为厂商报告数据:Microsoft 在内部评测了 MAI,而竞品数据则归因于 Artificial Analysis。Big Bench Audio 仅抽取了 40 道题目,τ-Voice 的完成率也是基准分数,并不等同于实测的客服问题解决率。
MAI Realtime 1 能在实时通话中做什么
MAI Realtime 1 面向电话智能体场景,支持打断处理、工具调用和路由式推理,并具备背景噪声容忍能力及由提示词控制的人设。它的重点是电话和客服工作流,而非面向消费者的聊天。Microsoft 称其与 OpenAI Realtime API 兼容,以降低测试和迁移门槛;不过端点、工具 schema、语音和错误处理方面仍可能存在差异。
目前仍未公布的信息包括:支持的语言和语音、准确延迟、上下文窗口大小、速率与并发限制、可用区域以及数据保留政策。
现在如何体验:MAI Labs 与 Foundry 预览的区别
MAI Labs 演示:面向公众开放,仅限个人非商业用途;单次会话最长约 2 分钟,用户须年满 18 岁。它适合感受语音质量和打断处理,但不适合做负载测试。Foundry 有限预览:这是企业用户的接入路径。可在 MAI Realtime 1 模型页面提交意向表单,等待审批后,通过兼容 OpenAI 的 Realtime 端点进行开发。公开预览开始前不收费,但 Microsoft 尚未公布公开预览日期。
如果你本周就需要生产级 SLA、指定区域支持或 GA 承诺,这个模型目前还无法采购上线。现阶段只适合做原型验证。
上线前,先算清首批 1,000 通电话的成本
仅看每分钟单价很容易掩盖真实决策。先用下面的公式计算,再换算到每个成功解决的案例:
Cost = audio minutes x $0.01 + input reasoning tokens / 1M x $1 + output reasoning tokens / 1M x $5
举例来说,一通 4 分钟的客服通话,音频费用为 $0.04。若消耗 2,000 个推理输入 Token 和 500 个推理输出 Token,则额外增加 $0.002 + $0.0025 = $0.0045,单通总成本约为 $0.0445。若处理 1,000 通电话,重试率为 15%,约有 1,150 个计费通话当量,总费用约为 $51.18。假设最初的 1,000 通中有 600 通得到解决,那么每个解决案例的成本约为 $0.085。重试时长和 Token 消耗会随工作流而变化,应替换为你自己的重试数据。
在自行测试得到推理 Token 和计量成本前,可将每输入音频小时 $1.35 作为厂商基准代理值,但它并非成本上限。实际成本会高于还是低于这个代理值,取决于尚未公开的推理与计量行为,因此应在预览阶段实测。
| 你的情况 | 建议选择 |
|---|---|
| 已有 OpenAI Realtime 应用、面临成本压力、以简单查询为主 | 并行试用 MAI Realtime 1;兼容性可减少迁移工作量 |
| 复杂的多步骤任务,完成率比原始成本更重要 | 不要仅因价格切换,先与 Extended Thinking 或 Phonic 级方案做基准对比 |
| 现在就需要 GA、SLA 或已披露的语言和区域支持 | 继续使用当前供应商,等公开预览时再评估 |
常见问题
音频分钟到底如何计量?
Microsoft 目前只写明“每音频分钟”计费,尚未公布用户音频与模型音频的划分方式,也没有说明取整规则。在价格表明确前,应按总音频时长进行规划。
预览版具体能测试什么?
Labs 演示可在短会话中测试语音质量和打断处理。只有受限的 Foundry 预览提供兼容 OpenAI 的端点,可用于工具调用和负载测试,目前仍不收费。
什么时候应该重新确认价格?
等 Microsoft 公布公开预览日期,并发布包含计量方式、语言和区域信息的 Foundry 价格表时再确认。在此之前,本文所有价格都应视为预览期定价。