MicrosoftのVoice Live API 2026-06-01-previewは、音声選択、echo cancellation、streaming text input、end-of-turn detection、parallel tool call、hosted agent event、WebRTC eventを追加した。単なるAPI version更新ではなく、conversation timingとtool execution orderが変わり得るため、音質・latency・業務副作用を分けて検証する必要がある。
何が変わったか
azure-realtime model専用のazure-realtime-native voice object、client側playback referenceを送るecho cancellation、input_text.deltaとinput_text.done、audio-based smart_end_of_turn_detectionが追加された。sessionのparallel_tool_callsはoptional booleanでdefaultがtrueである。hosted agent invocationとWebRTC transport用eventも増えた。
変更前後の差
前versionからendpointのapi-versionを変えると、voice設定形式、event種類、turn確定条件、tool callの並列性が増える。特にparallel defaultは、従来逐次実行を前提にしていた在庫更新、予約、ticket作成などでrace conditionを起こし得る。preview propertyはstable前に変わる可能性がある。
誰に影響するか
call center assistant、voice bot、meeting assistant、WebRTC対応Web・mobile client、hosted agent連携を開発するteamが対象である。client audio pipelineを制御し、micとspeaker referenceをstereo PCM16で送る構成はecho cancellation設定の影響を受ける。
期限
旧versionの終了期限はこの資料では示されていない。previewを既定へ即時変更せず、api-versionを明示したcanary環境で評価する。
必要な対応
toolに副作用がある場合はparallel_tool_calls: falseから開始する。smart EOUのthresholdとtimeoutを言語、話速、騒音環境別に評価する。client echo referenceはfeature flagとchannel配置を確認する。WebRTCは低latencyに有利だがpreviewでSLAがなくproduction推奨ではない点を運用判断へ含める。
実装・移行手順
- api-versionをconfigurationで固定する
- session event parserを未知eventに前方互換にする
- parallel tool callをfalseでbaseline測定する
- idempotentなread toolだけでparallelを試す
- smart EOUのthresholdとtimeoutを評価する
- echo referenceのchannel mappingをtestする
- WebSocketとWebRTCを同一scenarioで比較する
- canary traffic後に段階切替する
失敗しやすい点
parallel defaultを見落とす、tool result順序を固定と思う、smart EOUを全言語へ同じthresholdで使う、preview feature flagなしでclient ECを有効化する、WebRTCをstable SLA付きと誤認する、といった問題が起きやすい。
リスク
二重予約・二重更新、発話途中のturn確定、長い無音待ち、echo残留、event parser停止、transport fallback failureがある。音声品質の改善と業務transactionの正しさは別metricで評価する必要がある。
評価方法
- speech endからresponse開始までのlatency
- premature EOU率とtimeout率
- echo残留・音声認識error率
- tool call競合・重複実行件数
- WebRTC packet loss時の品質
- WebSocketとのlatency差
- unknown event発生率
- session disconnect率
ロールバック
api-versionを以前の固定値へ戻し、new event処理をfeature flagで無効化する。parallel tool callはfalseへ戻し、未完了transactionをidempotency keyで照合する。WebRTCで問題があればWebSocket transportへfallbackし、client ECをserver referenceへ戻す。
編集部分析
voice agentではmodel qualityだけでなく、turn boundaryとtool orderingが利用者体験と業務整合性を決める。今回のpreviewはその両方へ変更を加える。音声の自然さだけで採用判断せず、transaction correctnessとrollback可能性を同じrelease gateへ置くべきである。
実務チェックリスト
- [ ] api-versionを明示した
- [ ] unknown eventを許容する
- [ ] parallel tool callのdefaultを確認した
- [ ] write toolをidempotentにした
- [ ] EOUを言語・騒音別に評価した
- [ ] WebRTC preview条件を確認した
- [ ] WebSocket fallbackを用意した