微软发布首款企业级语音对语音AI模型MAI Realtime 1,支持实时打断、嘈杂环境识别与系统集成

SmartHey11月18日消息,在当地时间11月17日举行的Ignite 2026大会上,微软正式推出其首款面向企业级应用的语音对语音(Speech-to-Speech)大模型——MAI Realtime 1。该模型专为真实业务场景设计,具备自然对话理解能力,可精准响应用户打断、快速确认意图、耐心等待对方说完等人类对话特征,并在背景嘈杂或多人同时发言等复杂声学环境中保持高鲁棒性。

在定价策略上,MAI Realtime 1采用分层计费模式:基础语音转语音服务为每音频分钟0.01美元;若任务需调用推理能力,则额外按每百万输入token收取1美元(约合人民币6.7元)、每百万输出token收取5美元(约合人民币33.4元)。

微软强调,MAI Realtime 1不仅支持毫秒级语音响应,还能根据任务复杂度智能触发更强推理引擎,并原生对接企业现有系统与工具链,实现如会议预订、多步骤客服处理等端到端自动化操作。开发者可通过定制化提示词灵活调整其语气、专业风格及交互行为,以适配金融、医疗、酒店等不同行业需求。

据微软披露,在多项公开基准测试及内部产品验证中,MAI Realtime 1在语音质量、响应延迟与综合成本三方面均超越GPT Realtime 2.1,并在Big Bench Audio语音推理与Tau-Voice智能体任务完成两大权威评测中,稳居‘性能—价格比’领先梯队。

实测数据显示:MAI Realtime 1在Big Bench Audio基准上达到98.9%准确率,每小时音频处理成本约1.35美元(约合人民币9元);相较之下,GPT-Realtime-2 High准确率为96.6%,每小时成本4.14美元(约合人民币27.7元);Grok Voice 2.0为97.2%,每小时成本4.80美元(约合人民币32.1元)。

该模型已全面兼容OpenAI Realtime API标准,显著降低开发者迁移门槛,便于快速测试与集成现有语音应用。目前,Agoda、Reservations.ai等多家企业已启动早期试用。

微软还计划将MAI Realtime 1深度整合至Dynamics 365 Contact Center,提升智能客服应答能力;同时应用于Dragon Copilot平台,驱动AI模拟患者进行临床对话训练,助力医护人员提升沟通技巧与共情能力。