Голосовой ИИ Microsoft за один цент скрывает отдельную плату за токены

Один цент за минуту аудио стал базовой ценой для MAI Realtime 1 — первой модели формата речь-в-речь, созданной для естественно текущих диалогов в реальных корпоративных сценариях. Установив базовую стоимость на уровне $0,01 за минуту, Microsoft полностью пересматривает прямые операционные затраты, связанные с голосовыми нагрузками. По заявлению компании, система ориентирована на корпоративные каналы связи, одновременно справляясь с непрерывным потоком речи, перебиваниями и встречными репликами.
Такая структура ценообразования вынуждает корпоративных заказчиков проверить, способны ли существующие конкуренты удерживать приемлемую маржу на фоне столь низкой планки без ущерба для производительности. Смогут ли конкурирующие платформы сохранить рентабельность при такой ставке, не жертвуя качеством генерации? С нашей точки зрения, Microsoft использует жесткий демпинг на уровне инфраструктуры, чтобы захватить рабочие процессы клиентской поддержки, напрямую вынуждая сторонних поставщиков услуг равняться на собственную базовую юнит-экономику.
Бенчмарки и двухуровневая модель тарификации
Заявлено, что модель превосходит GPT Realtime 2.1 по скорости, качеству и ценовым показателям как в публичных тестах, так и в продуктовых оценках. Решение находится на границе Парето по соотношению цены и производительности в бенчмарках рассуждений по речи Big Bench Audio и выполнения агентных задач Tau-Voice, пройдя валидацию против GPT Realtime 2.1 в оценках Big Bench Audio, Tau-Voice и Dynamics 365 Contact Center.
«MAI Realtime 1, наша первая модель формата speech-to-speech, создана для естественного ведения диалогов в реальных корпоративных сценариях по цене от $0,01 за минуту аудио».
Тем не менее базовый тариф на аудио не отражает итоговый счет за сложные сценарии. Модель оплаты разделена: пока базовый стриминг стартует с $0,01 за минуту, задачи углубленного логического анализа активируют отдельный механизм биллинга. Плата за рассуждения установлена на уровне $1 за миллион входных токенов и $5 за миллион выходных токенов. Это означает, что реальные расходы на агента напрямую зависят от объема вычислительных рассуждений, происходящих параллельно с голосовым потоком.
Векторы миграции и корпоративные развертывания
Чтобы упростить внедрение, MAI Realtime 1 разработали с поддержкой совместимости с OpenAI Realtime API. Данный интерфейс позволяет инженерным командам переносить существующие приложения и запускать циклы тестирования без перестройки базовой программной инфраструктуры обработки голоса. Первые коммерческие тестировщики, включая Agoda и Reservations.ai, уже проверяют MAI Realtime 1 на практике.
«Наша модель опережает GPT Realtime 2.1 по качеству, скорости и цене в публичных тестах и внутренних продуктовых испытаниях Microsoft».
Помимо независимых пользователей API, модель внедряется в Dynamics 365 Contact Center для сценариев клиентского обслуживания, а также в Dragon Copilot для генерации диалогов с пациентами, помогая медперсоналу отрабатывать клинические сценарии взаимодействия.
Хотя маркетинговый посыл обещает корпоративную обработку речи буквально за один цент в минуту, операционные бюджеты будут зависеть от сложности задач. Простые повторяющиеся диалоги действительно уложатся в заявленный цент, но как только агенты начнут выполнять многошаговые цепочки рассуждений с тарификацией в $1 и $5 за миллион токенов, фактические операционные затраты быстро разойдутся с рекламным тарифом.
Что не сходится
Что на самом деле стоит за тарифом в один цент за минуту голосового потока? Microsoft явно переносит ценовую войну прямо в слой корпоративной телефонии, подсаживая клиентов Dynamics 365 Contact Center на собственную речь-в-речь модель и совместимость с интерфейсом OpenAI Realtime API. Но бесплатный сыр бывает только в базовом стриминге: как только диалоговому агенту требуется рассуждать и выполнять агентные цепочки, подключается отдельная тарификация за миллионы токенов. Реальная себестоимость минуты работы агента упирается в раздельный биллинг токенов логики, тогда как центом оплачивается лишь передача чистого звука.
Источник: Microsoft AI (MAI)