微软Foundry补上实时语音智能体：一套SDK从网页接到Teams和电话线路

企业想做一个能接电话的 AI 客服，过去往往要拼好几块：语音一家，大模型一家，电话线路再找一家，监控评估还得自己搭。微软这次想把这些都收进 Foundry 一个平台里。

Foundry 是微软基于 Azure 的 AI 开发平台，旗下的 Foundry Agent Service 开放了原生实时语音智能体的公开预览。所谓“原生”，是说语音能力直接做进了智能体服务里，开发者在同一个平台上，用同一套 API 和 SDK，就能把语音智能体从构建、部署一路做到监控和评估，不用在几套系统之间来回切。

能定制的地方不少。

• 针对特定行业领域定制语音模型；
• 使用自定义的声音；
• 配一个基于照片或视频生成的数字人形象。

更实用的一点是复用。企业之前在 Foundry 里给智能体配好的工具、接入的企业数据、设定的治理策略，语音智能体可以直接拿来用，不必再配一遍。对已经在微软生态里做了不少 AI 项目的公司来说，这比单纯多一个语音接口有吸引力得多，因为权限、合规这些最费劲的活，之前已经做过了，现在只是给同一个智能体装上嘴和耳朵。

部署出口覆盖网页、Microsoft Teams、Teams Phone，以及基于 Twilio 的电话呼入和呼出系统。最后这项意味着，智能体既能接听客户来电，也能主动往外打。

对标的对象很明确，就是谷歌的 Gemini Live。两家都在押实时语音交互，但路子不太一样：Gemini Live 更多是面向个人用户的对话体验，微软这套则直接冲着企业的客服、内部协作和电话业务去。

我的判断是，微软真正的筹码不在语音模型本身，而在 Teams 和企业数据治理这一层。声音像不像真人，各家的差距会越来越小；能不能在不碰合规红线的前提下接上公司内部系统，直接落到员工每天在用的 Teams 里，这才是企业采购时真正在比的东西。

目前还是公开预览，正式上线时间和定价微软都没有给出。