在线咨询
专属客服在线解答,提供专业解决方案
工单支持
专业技术支持团队,随时响应服务需求

微软 MAI Realtime 1 定价每分钟 0.01 美元,AI 电话的实际成本怎么算?

11 月 17 日,微软在 Ignite 2026 大会上发布实时语音模型 MAI Realtime 1,基础 Speech-to-Speech 使用费从每分钟 0.01 美元起。这个价格很容易引起 AI 客服、AI 外呼厂商的关注。如果按照每月 10 万分钟语音使用量计算,乘以 0.01 美元,得到的数字只有 1,000 美元。但这 1,000 美元能不能理解成企业每月的 AI 电话成本?

答案是否定的。微软公布的是模型基础音频费率,不是完整 AI 电话服务的报价。额外推理需要另行计费,电话号码、电话线路、实时通信、业务接口和人工转接等费用,也不包含在这一数字里。

更重要的是,两套 AI 电话系统即使使用同一款模型,每分钟单价完全相同,最终处理一万通客户来电的成本也可能相差不少。原因包括平均通话时长、重复确认次数、工具调用失败率,以及有多少通电话最终解决了用户的问题。

因此,MAI Realtime 1 真正值得讨论的,不只是微软把模型价格压到了多少,而是低价实时语音模型进入企业应用后,哪些成本能够减少,哪些问题依然需要通信和业务系统解决。


一. MAI Realtime 1 每分钟 0.01 美元,究竟包含哪些费用?

MAI Realtime 1 是微软首款面向实时语音对话的 Speech-to-Speech 模型。它可以直接处理语音输入并生成语音回复,支持用户打断、短暂附和、自然轮次切换和工具调用。

微软给出的计费信息包括两部分:

  • 基础 Speech-to-Speech:每音频分钟 0.01 美元起。
  • 额外推理:每百万输入 Token 1 美元,每百万输出 Token 5 美元。

其中,“基础音频价格”和“额外推理价格”必须分开理解。对于不需要复杂任务处理的日常交流,模型主要消耗基础音频资源;当请求需要调用更强的推理能力时,还可能产生 Token 费用。

微软没有在此次公告中完整说明所有计费细节,例如输入、输出音频分钟如何分别统计,双方同时讲话时如何计算,以及工具等待期间是否持续计费。因此,现阶段还不能直接根据一通电话的持续时间,得出完全准确的模型费用。

此外,MAI Realtime 1 目前可通过 MAI Labs 体验,并开放 Microsoft Foundry 有限访问预览申请。微软表示,在公开预览开始之前,有限预览客户暂不产生模型使用账单。每分钟 0.01 美元属于其公布的产品定价,并不意味着所有开发者已经可以按该价格直接开通正式商用服务。

对于需要接入企业电话的应用,还要额外考虑电话接入、通信服务、业务系统和运营维护等成本。

一通 AI 客服电话,费用可能产生在哪些环节?

假设用户拨打银行客服电话,询问一笔转账为什么没有到账。

如果使用普通电话号码接入,首先涉及运营商或电话服务商的线路和通话费用。接通后,实时通信系统负责传递语音,模型负责理解用户问题并生成回答。

随后,AI 可能需要查询交易记录、验证用户身份、调用账户服务,最后告诉用户处理结果。

整个过程中,除了模型音频费用,还可能产生:

  • 电话线路或 SIP/PSTN 服务费用。
  • 实时语音传输、连接管理及相关媒体服务费用。
  • 额外模型推理及工具调用费用。
  • CRM、订单、交易或知识库等业务系统费用。
  • 通话记录、质量监控、安全审计及运维费用。
  • AI 无法解决问题时的人工坐席成本。

如果产品通过 App 内的语音通话提供服务,可以不经过传统电话网络,但仍然需要实时音频连接和相关业务能力。

所以,“模型每分钟 0.01 美元”和“AI 客服每分钟只需要 0.01 美元”,并不是同一个结论。


二. 每月 10 万分钟 AI 通话,真实成本应该怎么计算?

先只看 MAI Realtime 1 的基础音频单价。

假设某企业每月有 10,000 通 AI 客服电话,每通平均持续 10 分钟,总计 100,000 分钟。

如果这些分钟全部按照同一个基础音频费率计算,那么:

100,000 分钟 × 0.01 美元/分钟 = 1,000 美元。

这只是用于说明定价规模的算术示例,并非微软已经确认的实际账单。它没有包含额外推理、通信和其他服务费用,也没有解决音频分钟的具体计量问题。

但是,对于企业来说,接下来还有一个比总通话时长更重要的问题:这 10,000 通电话中,有多少真正完成了业务?

1. 不能把所有接通电话都算作成功服务

例如,用户希望取消一笔订单。

AI 成功接听电话、理解了用户的要求,并不代表取消操作已经完成。系统还需要查询订单状态、判断是否符合取消条件,调用相应接口,并确认订单状态确实发生了变化。

如果 AI 在这个过程中失败,最终要求用户重新来电或转接人工,就不能把它计入 AI 独立完成的任务。

因此,实际成本评估应该将总费用与成功完成的任务数联系起来:

单次成功任务成本 = AI 电话系统总运营成本 ÷ 成功完成的任务数。

这里的成功标准应与具体业务绑定。例如,查询类任务可以检查用户是否获得正确结果;订单修改类任务则需要确认业务系统已经成功执行,而不是只判断模型是否回复了“已为您修改”。

2. 任务完成率提高,会怎样影响成本?

下面使用两组假设数据说明差异。两套方案均按照每音频分钟 0.01 美元计算,暂时不计入其他费用。

指标 方案 A 方案 B
月通话量 10,000 通 10,000 通
平均通话时长 10 分钟 8 分钟
基础音频分钟数 100,000 分钟 80,000 分钟
假设任务完成率 60% 75%
成功完成任务 6,000 次 7,500 次
基础音频费用 1,000 美元 800 美元
每次成功任务对应的基础音频费用 约 0.167 美元 约 0.107 美元

以上全部是演示计算的假设,不是 MAI Realtime 1 的实测结果,也不代表使用它就能将任务完成率从 60% 提高到 75%。

这个例子说明,即便模型单价没有变化,如果一套系统能够减少重复确认、缩短无效对话,并提高业务完成率,那么分摊到每次成功任务上的基础模型费用也会下降。

但要判断哪套系统真正更便宜,还必须把各自的额外推理、通信、工具调用和人工接管费用全部计入。

尤其是在复杂业务中,更强的推理可能减少返工,却也会产生额外 Token 消耗。是否划算,最终要看真实任务的总体结果。


三. 全双工、智能打断与工具调用,如何影响 AI 电话的任务成本?

微软此次强调,MAI Realtime 1 可以处理自然打断、短暂附和和复杂任务,并能够在需要时调用更强的推理能力。

这些能力不只关系到用户觉得对话是否自然,也会影响一项业务需要经过多少轮交流才能完成。

1. 过早判停,可能让同一个问题重复沟通

假设用户说:“我想把周五下午的预约……改到下周一上午。”

如果系统听到中间的停顿,就认定用户已经讲完,可能提前询问预约编号,或者直接开始执行修改流程。

用户不得不打断 AI,重新说明自己的意思。

在传统语音方案中,可以利用 VAD、ASR 中间结果与语义轮次检测判断用户何时结束表达。MAI Realtime 1 也强调模型能够处理自然停顿和用户是否讲完的问题。

但微软尚未公开足够详细的轮次检测测试数据,无法据此推算它能为具体企业节省多少通话分钟。

真正有价值的测试方式,是让不同模型处理同一批包含停顿、犹豫和口头修正的真实语音,比较误判次数、重复询问次数和任务完成时长。

2. 用户打断后,旧请求可能还在执行

再看一个更复杂的场景。

用户正在订机票,AI 已经开始查询北京到上海的航班。用户突然改口:“不对,目的地改成杭州。”

支持智能打断的系统可以停止当前播报,接收新的语音输入。但如果第一次航班查询已经提交给后台,仅仅停止 AI 说话并不能自动取消查询。

系统还需要处理正在执行的旧请求,避免上海航班的结果稍后返回,覆盖用户刚刚确认的杭州行程。

这涉及会话状态、工具调用版本、请求取消或结果丢弃机制。

对于企业 AI 电话,打断处理正确与否直接影响业务是否执行错误。重复查询和错误操作也会增加通话时长及后续人工处理成本。

3. 工具调用成功,才算完成实际业务

MAI Realtime 1 支持连接企业系统和工具,这也是微软将其定位于企业语音应用的重要原因。

例如,一次退款咨询可能需要连续完成身份验证、订单查询、退款条件检查和申请提交。

模型可以负责理解请求、组织参数和解释结果,具体业务操作仍然由相应系统执行。

如果工具请求失败,或者业务后台返回“订单不符合退款条件”,Agent 不能因为自己已经发出调用,就直接告诉用户“退款成功”。

因此,评估语音 Agent 时,除了考察对话自然度,还要测试业务执行正确率、错误恢复能力,以及最终操作结果是否与用户听到的回复一致。

微软提到 MAI Realtime 1 在 τ-Voice 任务执行基准和 Dynamics 365 Contact Center 相关评估中具有竞争力。但这些属于微软公布的测试结果,不能直接替代真实企业的生产环境数据。


四. 模型价格降低后,为什么仍然需要实时通信基础设施?

MAI Realtime 1 提供实时 Speech-to-Speech 能力,并兼容 OpenAI Realtime API 的接口形式,方便开发者测试已有语音应用。

但一款实时语音模型并不能独立承担所有通信工作。

如果用户通过手机 App、网页或智能硬件与 AI 对话,设备需要采集音频、建立实时连接、发送语音数据,并接收和播放模型生成的声音。

如果用户拨打普通客服电话,则还需要解决电话线路接入、通话路由和音频媒体转换等问题。

对于实时对话而言,用户实际感受到的等待时间不仅取决于模型生成速度,还包括音频传输、轮次判断、工具处理和播放缓冲。

在用户打断 AI 时,通信和应用层也要及时处理音频播放状态。网络切换、丢包、重连等情况,则可能进一步影响交互体验。

这些都是需要通过完整系统测试解决的问题,不能仅根据模型厂商公布的推理指标判断。

声网对话式 AI 引擎可以承担哪些工作?

声网对话式 AI 引擎(Conversational AI Engine)面向实时语音交互场景,提供实时音频连接、轮次管理、智能打断,以及与语音识别、大语言模型和语音合成服务协同工作的能力。

例如,企业开发 App 内的 AI 客服,可以通过声网实现客户端与 AI 服务之间的实时语音交互,再结合业务系统完成订单查询、信息核验和人工服务转接。

对于需要接入大语言模型的应用,声网支持自定义模型服务。但具体接入协议必须核对:当前标准自定义 LLM 文档要求兼容 OpenAI Chat Completions API,而 MAI Realtime 1 公布的是 OpenAI Realtime API 兼容能力。

对于希望同时使用这两类技术的开发者,需要根据实际架构验证接口适配、音频会话管理和工具调用能力,不能简单认为两边都兼容 OpenAI API,就可以直接互通。

从产品选型角度看,语音模型负责理解、推理和生成,实时通信基础设施则负责把用户与 AI 服务稳定连接起来。两部分的性能和费用都需要单独评估。


五. 企业选择实时语音模型,应该怎么做成本对比?

微软 MAI Realtime 1 的定价具有竞争力,但现阶段仍处于有限预览阶段。企业若计划将其用于正式客服业务,还需要等待并核实公开商用条件、具体计费规则及所需的区域和接入能力。

对于已经在使用其他语音模型的企业,更有效的方法不是直接比较官方报价,而是选取相同任务,进行一次完整的业务测试。

例如,可以从实际客服记录中挑选一批具有代表性的业务,覆盖简单查询、连续追问、用户改口、信息核验、工具调用失败和人工转接等情况。

比较时,至少记录以下指标:

  • 任务完成率:用户要求的业务是否真正完成。
  • 平均通话时长:包括正常处理、重复确认和等待工具的时间。
  • 端到端响应时间:用户结束表达后,到实际听见 AI 回复的等待时间。
  • 打断处理正确率:用户修改要求后,系统是否停止旧回复并正确处理新请求。
  • 工具调用成功率:模型选择工具、填写参数和执行操作是否正确。
  • 人工转接率:哪些任务无法由 AI 独立完成,以及转接后是否保留上下文。
  • 单次成功任务总成本:将模型、通信、业务服务、运维及人工成本统一计算。

如果两套方案的模型费用差距明显,但任务完成率接近,低价模型可能具有较强优势。

如果低价方案需要更多次确认、更多人工介入,节省的模型费用则可能被其他成本抵消。

对于客服、外呼等场景,还需要单独测试中文识别、数字和地址理解、电话线路音质及复杂业务规则,不能直接套用英语基准测试的结果。


六. MAI Realtime 1 带来的成本变化,还需要实际业务验证

MAI Realtime 1 的发布,让企业实时语音应用增加了一款低价模型选择。微软公布的能力覆盖自然打断、轮次管理、工具调用和企业任务处理,并已与 Agoda、Reservations.ai 等企业开展测试,计划进一步用于 Dynamics 365 Contact Center 等产品。

它值得关注的地方,是实时语音模型开始以更低的基础使用价格,提供过去需要多个组件协同实现的一部分对话能力。

但语音模型的进步,并不会自动减少电话线路、通信连接、业务系统和人工服务的成本。

对于真正准备部署 AI 电话的企业,下一步最有价值的工作,是在具体业务中验证:同样的客户请求,使用不同模型需要多少时间,能完成多少任务,最终产生多少费用。

每分钟 0.01 美元可以成为一次模型选型测试的起点,但还不是完整 AI 电话的成本答案。

在声网,连接无限可能

想进一步了解「对话式 AI 与 实时互动」?欢迎注册,开启探索之旅。

本博客为技术交流与平台行业信息分享平台,内容仅供交流参考,文章内容不代表本公司立场和观点,亦不构成任何出版或销售行为。