MAI Realtime 1とは
MAI Realtime 1は、音声を入力に受け、対話に合わせて音声を出すモデルです。Microsoftは、話し手の割り込みを扱い、人の発話が終わるのを待つことや、難しい依頼で推論を利用することを特徴に挙げています。企業のツールに接続して情報を参照する音声エージェントの用途も想定しています。Microsoft AIの発表
会話が重なったときに応答を見直す
例えば利用者が「予約の確認を」と言いかけてから「変更をお願いします」と言い直した場合、先に発した言葉だけで処理を始めると意図とずれます。応答を生成するだけでなく、話し終わる前に応答を始めていないか、発話が重なったときに説明を止めて聞き直せるかも重要です。
モデルの動作を確認するには、予定どおりの会話と、言い直しや沈黙を含む会話の両方を試します。どの場面まで声で受け付け、どの時点で確認画面や担当者に引き継ぐかは、サービス側の設計で決めます。
声で操作を頼むときの確認点
外部システムと接続する場合は、口頭の依頼を受け取ることと、その依頼に従って処理を確定することを分けます。予約番号を聞いて検索する段階と、日時の変更を確定する段階では、確かめる項目が異なります。
入力した番号や日付をモデルが正しく聞き取ったか、利用者が内容を確認できるかを試します。外部ツールで書き込みが必要な場合は、聞き取った値をそのまま渡さず、必要な確認を終えたことをアプリ側で判定するようにします。
MAI Realtime 1と文字起こし・読み上げの違い
音声を扱う製品でも、文字起こしは音声をテキストにする仕事、読み上げはテキストを音声にする仕事です。対話モデルは、相手の話とそれまでのやり取りを踏まえて応答を返します。Microsoftのモデル一覧でも、Transcribe、Voice、Realtimeは用途が分けられています。Microsoft AIのモデル一覧
| 目的 | 主な入力と結果 | 例 |
|---|---|---|
| 文字起こし | 音声からテキスト | 録音を読み返せる記録にする |
| 読み上げ | テキストから音声 | 確定した案内文を音声にする |
| 音声対話 | 話しかけた音声から会話の応答 | 問い合わせに合わせて質問と回答を続ける |
録音の記録だけが目的なら、話者や時間の特定、固有名詞の精度などを確認します。定型文の音声化が目的なら、原稿と読み上げの一致や聞き取りやすさを見ます。対話の途中で判断が必要な場合は、利用者が話し終えたと判断して応答するまでの時間や、言い直しへの対応も確認します。
文字が必要なときは記録の経路を確認する
対話を音声で完結させても、後から担当者が経緯を読み返すために文字の記録が必要なことがあります。対話に使うモデルとは別に、どの内容を保存するか、誰に共有するかを決めます。
音声の認識が誤った際に、文字の記録を一緒に直せるかも確認します。元の音声を保存する必要があるか、文字の記録だけで目的を満たせるかを先に考えると、保存するデータを絞れます。
既存の音声機能から置き換える範囲を決める
Foundryの2026年10月の更新案内では、ストリーミングの文字起こしモデルMAI Transcribe 2 Streamingと、音声合成モデルMAI Voice 2.1が紹介されています。すでに文字起こしや読み上げを別のサービスで処理しているなら、既存機能と同じ役割のモデルを比較する機会です。会話の応答まで扱いたいときは、対話モデルを試します(出典: Microsoft Foundryの音声モデル案内)。
Microsoft Learnの文字起こしモデルの説明でも、途中のテキストが更新され、区間ごとに確定することが案内されています(出典: Microsoft Learnの文字起こし仕様)。
例えば毎月の問い合わせを集計する仕事では、文字起こしの記録を保てれば従来の処理を活かせます。聞き返す内容や案内が利用者ごとに変わる場合は、対話モデルの試用範囲にその部分を含めます。
MAI Realtime 1をLabsとFoundryで使う条件
Microsoftの発表では、MAI Labsで試す方法と、Microsoft Foundryの限定アクセスプレビューへの登録が案内されています。限定アクセスプレビューは申請が必要な段階で、一般に利用できる状態とは条件が異なります。発表時点では、公開プレビューが始まるまでプレビュー利用者に課金しないとしています。Microsoft AIの提供案内
MAI Labsは個人の試用に使う
MicrosoftはMAI Labsの試用を個人利用に限り、商用、学校、仕事での利用を認めていません。個人で会話の感触を確かめるなら、質問を途中で言い直し、応答が切り替わるかを試せます。Microsoft AIの試用条件
業務で検証する場合はFoundryの限定アクセスプレビューに申請し、承認後の利用条件を確認します。申請前に、試したい業務、問い合わせの種類や件数、端末、ネットワーク条件を書き出します。Microsoftの限定アクセス申請フォーム
Foundryで接続する前に既存構成を調べる
既に音声アプリがある場合は、現在利用するAPI、接続方式、音声の入出力形式、切断から復帰する方法を整理します。MicrosoftはOpenAI Realtime APIとの互換性を案内していますが、既存のアプリが使うすべてのイベントや設定値が同じとは限りません。Microsoft AIのAPI互換性の説明
接続先の切り替えを検討する場合は、通常の会話に加えて、マイクの切り替え、短い沈黙、ネットワークの切断、機能への接続失敗を試します。問題が発生した場合に、モデルの返答を待ち続けず別の手段を示せるかも確認します。
関連記事:Microsoft Foundryとは?Copilot Studioとの違いとAzureが必要になる構成
自分の仕事に取り入れたいAI活用が見つかる。GiftXが実践する18業務の具体例を公開。
MAI Realtime 1の音声と推論の料金
Microsoftが2026年11月に発表した基本の音声対話料金は、音声1分当たり0.01米ドルです。推論は同じ単価に含まれず、入力と出力のトークン数に応じた単価が別に示されています。Microsoft AIの料金注記
| 区分 | 発表時の単価(2026年11月) |
|---|---|
| 基本の音声対話 | 音声1分当たり0.01ドル |
| 推論の入力 | 100万トークン当たり1ドル |
| 推論の出力 | 100万トークン当たり5ドル |
1件当たりの費用を試算する
以下は提供開始時の発表記事に記載された単価での計算です。Microsoftのモデル紹介ページと発表記事では推論入力の価格表記が一致していないため、予算を決める前にFoundryで適用される単価を確認してください。Microsoft AIのモデル紹介
【仮定】基本の音声課金対象が1件3分なら、音声部分だけで3×0.01ドルの0.03ドルです。推論の入力が2万トークン、出力が4,000トークンなら、入力0.02ドルと出力0.02ドルを足して、推論部分は0.04ドルになります。
【仮定】この条件では、三つを合わせて1件0.07ドルです。実際の通話時間と課金される音声分数は契約条件や計測単位によって確認が必要です。比較対象の電話サービスや音声保存に別料金がある場合は、その金額も含めて見積もります。
短い応答と人への引き継ぎで分けて測る
全件を平均した費用だけを見ると、長いやり取りが必要な問い合わせの費用が見えません。「一往復で終わる案内」「検索が必要な案内」「担当者につなぐもの」などを分けると、どの段階で料金や時間が増えるかを見られます。
Microsoftが公開した比較は音声推論や音声エージェントの評価に基づくものです。話している人の人数、雑音、言語、ツールへの接続など、実務で必要な条件で同じ結果になるかは自社で確かめます。
MAI Realtime 1で実際の音声応対を評価する
問い合わせの種類を一つ選び、音声モデルに任せる範囲を決めます。例えばよくある営業窓口への問い合わせなら、営業時間や必要書類の案内までは答え、契約内容や請求額の変更が関係するときは担当者へつなぐ、といった条件を設定します。
いつ、何を間違えたかを記録する
| 評価対象 | 試す入力 | 見る結果 |
|---|---|---|
| 会話の開始 | 小さな声、短い沈黙 | 相手が話す時間を奪わないか |
| 聞き取り | 固有名詞や予約番号 | 誤った値を使う前に確認できるか |
| 話の途中変更 | 言い直し、割り込み | 処理を確定する前に言い直しを反映して応答するか |
| 担当者への引き継ぎ | 権限がない依頼、判断に必要な情報が不足 | 案内が続いて解決しない状態を避けられるか |
評価者が複数いる場合は、何を正解とみなすかを先に共有します。たとえば品名の漢字を誤っても正しい案内にたどり着くケースと、異なる契約を案内してしまったケースを同じ重さで扱うと判断が難しくなります。
会話の終わりまで通して確認する
応答を始めるまでの時間だけでなく、利用者の目的が達成されるまでの時間も測ります。一度聞き返して正しい案内に至る場合と、早く返答するものの内容がずれて聞き直す場合では、完了までにかかる時間が異なります。
電話やアプリで試すなら、会話の録音や文字化データの扱い、利用者への説明、障害時の連絡方法を担当者と確認します。問い合わせを任せる範囲を広げるのは、失敗した入力と、利用者を待たせずに切り替えられた条件が分かってからです。
応答が途中で止まる場面を試す
例えば利用者が移動中に電話をかけたとき、音声が聞き取れない状態と、ネットワークの切断は別に扱います。聞き取りが難しいときは必要な情報を短く尋ね直し、切断なら再接続するか、確認できる別の窓口を案内します。途切れた会話を引き継ぐ場合は、何を確認済みかが担当者に伝わるかを見ます。
予約情報への接続が失敗したケースでは、「予約なし」と判定するより、情報を取得できなかったことを伝え、次の確認方法を示します。評価結果は、応答の品質、接続先のエラー、利用者が操作を終えられなかったケースを区別して記録します。問題が続く場合は、仕事を任せる範囲を広げる前に、どの工程で失敗が始まるかを確かめます。
MAI Realtime 1に関するよくある質問
日本語で業務に使えますか?
Microsoftの発表とモデル紹介では、日本語対応の範囲を確認できません。日本語での利用が必要なら提供条件を確認し、日付や契約番号、業界用語、雑音のある環境を含む会話で、誤った値を送る前に確認できるかを試します。
OpenAI Realtime APIからそのまま移行できますか?
MicrosoftはAPIとの互換性を案内しています。利用中のイベント、音声の形式、認証、ツール呼び出しの設定は、接続先の最新仕様と照合します。
Foundryで使えばすぐ本番展開できますか?
発表で案内されたのは限定アクセスプレビューです。利用が認められた場合も、公開条件、利用できる地域、障害時の対応、データ管理を確認したうえで、どこまで業務に使うかを決めます。
まとめ
MAI Realtime 1は、話しかけた音声に音声で応じるモデルです。試すときは、通常のやり取りに加えて、沈黙、割り込み、言い直しでどう応答するかを確認します。費用は基本の音声料金と推論の料金を分け、利用者の目的が達成されるまでにかかった時間と合わせて比べます。実務へ取り入れる前に、扱う問い合わせと人へ引き継ぐ条件を決め、小さなケースで根拠を残します。利用者と担当者の両方が、途中で処理が止まったときの次の行動を取れるかも確認します。
音声応対にAIを組み込みたい方へ
問い合わせを音声で受ける場合は、回答の正しさとあわせて、確認が必要な依頼をどこへ回すかを決めます。GiftX AIエージェント構築支援では、よくある問い合わせの流れから、AIが扱う範囲、確認担当、引き継ぐ操作を整理します。試す内容が決まっていない場合は、実際に時間がかかっている問い合わせを一つ挙げると、最初に必要な音声やデータの条件を具体化できます。