

先说结论:值,但别急
先说结论:一分钱一分钟的 AI 语音,值,但别急。微软 11 月 17 日在 Ignite 大会上发布 MAI Realtime 1,官方称这是它首款「语音对语音」模型:你说话,它直接回话,不绕弯子。
绕弯子是什么意思?以前的 AI 接电话,得先把声音转成文字、生成回复、再合成声音,走完一整套流水线才开口。它把中间两道工序省了,你话没说完,它已经能接了。
但「快」不等于「值」,一分钟一分钱到底贵不贵,得先算笔账。算完你会发现,它这次定价的思路,和以前那些 AI 完全不一样。
对小白还有个背景:这是微软第一款单独拿出来卖的语音模型。以前语音只是大模型的一个功能口子,这回它把「说话」本身当商品摆上货架,按分钟标价,挺新鲜。

一分钟一分钱,是个什么概念
先算账:基础语音使用费,每音频分钟 0.01 美元起。按现汇率粗略一折,打一小时电话也就几毛钱,比你手机套餐里的语音包还便宜。
但便宜的是「通道」,脑子另收费。推理按 token 计费:每百万输入 token 1 美元,输出 token 5 美元。看不懂 token 没关系,你就理解成打电话按分钟算钱,话费单上再按字数加一笔——不贵,但也不是白送。
这样算下来,这个价签的意思是:「接电话」卖一分钱,「动脑子」另算,两件事拆开明码标价,这是它跟以前最大的不同。
跟谁比你就懂这价了:手机里那类语音助手不要钱,但只认固定指令;能自由聊天的模型按 token 算,一分钟的账通常不止一分钱。它最适合的,是话多、但内容比较固定的活儿。

把它接进深夜便利店
没摸到真机,我就在工位上把场景过了一遍。先看深夜便利店的外卖电话:店员忙不过来,一键把电话交给 AI。
「你好,XX 便利店,请问要点什么?」你说关东煮和两瓶水,它复述一遍,你确认,挂了电话订单直接进后厨。这一单,人接要三分钟,它接只要几十秒。
再看牙医诊所的预约电话:病人问「明天下午有空吗」,它翻日历答「三点半可以」,病人嫌晚,它再给别的选项。来来回回十几句,全是重复劳动,正好是它擅长的。
这些场景有个共同点:话术固定、内容简单、错一两句也兜得住。真要碰上吵架的客户,人类还是先上。

官方口径的数据,摆出来
先申明:下面是微软自家评测口径,参考着看。在 Big Bench Audio 上,MAI Realtime 1 准确率 98.9%,每小时输入音频成本约 1.35 美元(据 IT之家 11 月 18 日报道)。
放一起比:GPT-Realtime-2 High 是 96.6%、每小时 4.14 美元;Grok Voice 2.0 是 97.2%、每小时 4.80 美元。说白了,现在这个价位上,能边听边想的模型里,它算最便宜的一档。
微软还说,在外部公开基准和自家产品评测里,它的质量、速度、价格都胜过 GPT Realtime 2.1(据微软官方)。厂商自夸,听一半留一半;价格明码标价,是真的。
翻译成人话:同样的活儿,别人一小时收四块多,它收一块三,差价就是给你的选择空间。质量到底差多少,得等公测后第三方来测,现在喊「全面碾压」都有点早。

便宜归便宜,接电话的是人
冷静一下:便宜,是给掏钱装系统的老板算的账;接电话的人,体感是另一回事。AI 会漏听吗?客户说「我牙疼得厉害」,它分得清是急着加号,还是随口抱怨吗?
官方说它能处理打断、快速确认、等对方说完这些细节,嘈杂环境里几个人同时说话也听得懂(据 IT之家)。但「能处理」和「处理得好」中间,隔着一万个真实客户。
我的结论很直:标准化的活儿交给它,比如确认订单、查时间、报价格;需要共情的活儿别勉强,发火的客户、犹豫的病人、喝多了的订餐人,还是真人来吧。

更该关心的是排班表
最后提醒一句:和你一样盯着价格的,其实更该盯着呼叫中心的排班表。一分钟一分钱意味着什么?原来十个人的夜班客服,可能变成一个人加一台机器。
这不是吓唬谁,就是个明摆着的算账题。目前 MAI Realtime 1 在 Foundry 限量预览,预览客户在公开预览前不收费;等它正式铺开,客服行业的「时薪」会被先重新定价。
真到那天,客服这行的门槛会变,但「会听人话」的本事,永远抢不走。技术进步对人从来是好事,只不过你要清楚:它先改的,是谁的工资单。
别误会,我不是唱衰这一行,只是提醒:工具越便宜,人越得想清楚自己贵在哪。客服真正值钱的不是会接电话,是接得住烂摊子。