Microsoft постоянно совершенствует Microsoft Foundry Agent Service, добавляя новые возможности и улучшения, чтобы предприятиям было проще создавать ИИ-агентов на базе предпочитаемых ими моделей от ведущих лабораторий, включая OpenAI, Anthropic, DeepSeek и других. Ранее в этом году Microsoft анонсировала публичную предварительную версию размещенных агентов в рамках Foundry Agent Service.
Теперь Microsoft расширяет свою платформу Foundry новым типом агентов, разработанных специально для взаимодействия с голосом в режиме реального времени. Голосовые агенты в Microsoft Foundry теперь могут создаваться, развертываться, отслеживаться, оцениваться и оптимизироваться с использованием той же платформы, API и SDK, которые разработчики уже применяют для других текстовых агентов Foundry.
Вместо того чтобы добавлять речевые возможности поверх текстового агента, Microsoft делает голос неотъемлемой частью Foundry Agent Service. Новые голосовые агенты в настоящее время доступны в публичной предварительной версии и поддерживают как агенты на основе промптов, так и размещенные агенты.
Разработчики могут выбирать из нескольких моделей голосового взаимодействия в реальном времени, включая GPT Realtime, Azure Realtime и собственные модели MAI от Microsoft. Microsoft также поддерживает интеграцию пользовательских моделей в платформу. Новые голосовые агенты поддерживают более 80 языков и свыше 140 локалей. Они также могут обрабатывать диалоговые функции, такие как естественная смена реплик и прерывания.
Предприятия могут дополнительно настраивать взаимодействие с агентами с помощью специализированных речевых моделей, пользовательских голосов и фото- или видеоаватаров. Microsoft также подчеркнула, что голосовые агенты могут повторно использовать те же инструменты, корпоративные данные и политики управления, которые уже настроены для других агентов Foundry.
После готовности агенты могут быть развернуты в веб-приложениях, Microsoft Teams, Teams Phone и телефонных системах Twilio для входящих и исходящих вызовов. Microsoft также добавляет функции мониторинга, специфичные для голосового взаимодействия, охватывающие трассировки, мониторинг, записи разговоров и оценки.
В связи с этим вчера Google анонсировала Gemini 3.8 Live с Live Avatar, который объединяет ее модель Gemini 3.8 Live с генерацией видео с низкой задержкой для создания агентов, способных слушать, видеть, говорить и выглядеть как анимированные визуальные персонажи. Live Avatar также может переключаться между 97 языками в рамках одного разговора, адаптируя речь, синхронизацию губ и мимику.
Предложение Google поддерживает асинхронные вызовы инструментов, позволяя агенту выполнять задачи в фоновом режиме, продолжая разговор с пользователем.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pradeep Viswanathan
