从"能听懂"到"能聊下去"：Microsoft Foundry 上线实时语音与图像新模型(听到听懂听会 层次)

日前，微软在 Tech Community 的 Azure AI Foundry 博客发文，宣布 OpenAI 的 GPT-Live-1 与 GPT-Image-2.5 已在 Microsoft Foundry 上线。语音与图像两条能力线同时更新，指向的是同一件事：把对话变成应用的界面。

一、语音：不再轮流说话

GPT-Live-1 是实时、全双工语音模型，可以同时听和说。微软列出的能力包括音频输入输出并行、自然打断处理、停顿与节奏识别、backchannel 应答、上下文记忆，以及语音文本图像混合输入。官方的表述是，模型会持续评估该听、该说、该暂停、该回应打断，还是该调用工具，而不是把对话切成一串孤立的请求。

微软在文中提到一家房产信息平台的案例：该平台通过 Foundry 使用 Azure OpenAI 的实时模型，构建了覆盖超过 1 亿月活用户的住房搜索语音体验。

二、图像：改图可以接着改

GPT-Image-2.5 分两个版本。Flare 是较小的高吞吐版本，面向内容创作、营销素材、产品体验、视觉搜索与大规模出图，微软称其质量优于 GPT-Image-2，延迟降低 50%。Sunburst 面向需要精度与控制的创意工作流，例如广告级素材与产品图。

更关键的是编辑能力：只改指定元素而保留其余画面，多轮修改后保持一致性与画质，对复杂布局与风格指令的遵循更好。官方示例是一张晨光林间跑道的跑鞋图，连续三轮"调光线、调颜色、调构图"之后，前序细节仍被保留。这意味着素材可以在上一版基础上迭代，而不是每次重做。

三、价格与落地前的三个检查项

按微软给出的表格：图像模态输入 8 美元/百万 token，缓存输入 2 美元，输出 30 美元；文本模态输入 5 美元，缓存输入 1.25 美元；GPT-Live-1 音频 3 美元/小时。微软说明完整定价将在数周内上线 Foundry 定价页。

落地前建议核三件事。第一，延迟与质量的提升均为微软官方博客表述，缺少第三方复现，建议用自有素材盲测后再对外定口径。第二，音频按小时计费，实时语音成本由并发数和平均通话时长决定，估算逻辑与 token 计费不同。第三，实时语音涉及音频采集、留存与跨境传输，需在企业合规框架内确认数据路径；图像生成建议开启内容凭据与水印，便于后续溯源与审核。

领驭科技作为微软云代理商，可提供 Microsoft Foundry 与 Azure OpenAI 的账号开通、模型选型与配额规划、资源调配、合规接入咨询及持续运维。

注：微软所述服务为 Azure 国际版企业级服务，国内可用性需另按合规路径确认；文中定价与能力描述来自微软 Tech Community 官方博客（日前发布），以微软官方定价页与产品文档为准。