今天筆者要來把前幾天做好的 Expense Claims Agent，從「用鍵盤打字問問題」，升級成「直接拿麥克風講話」的 Voice Agent。沒錯，報帳這件事已經夠煩了，現在連問規定都可以用講的啦 🎙️

🧭 先看成品：文字 Agent 變成語音助理

上圖就是筆者這次使用的 Expense Claims Assistant。右側測試區原本是文字輸入框，啟用 Voice 之後，畫面會變成用麥克風與 Agent 對話，Agent 也會用聲音回應。

這種互動方式比較像客服電話，而不是開 Teams 打字問同事。使用者不用記得要點哪個按鈕、輸入什麼關鍵字，只要直接問：「出差餐費一天可以報多少？」就好。對一般員工來說，這種體驗確實自然很多。

✅ 這次 Demo 的核心流程
筆者沿用前幾天做好的報銷 Agent，讓它可以回答出差餐費、讀取公司費用政策，並透過 Voice 模式完成整段語音問答。重點不是把它做成會唱歌的客服，而是確認它能不能在實務情境中「聽得懂、查得到、講得回來」。

⚙️ 啟用 Voice 前，先處理幾個重要設定
先進入 Agent 的 Settings，找到 Voice 相關設定，把語音功能開啟。這裡有幾個參數很容易被忽略，但它們會直接影響「到底聽不聽得懂」以及「到底會不會一直自己講」。

1. Speech sensitivity：環境吵，數值要調低
   第一個是語音感知度，也就是 Agent 對聲音輸入的敏感程度。筆者測試時把數值調到 0.3～0.4 左右，對當時的環境比較合適。

如果環境很安靜，可以把敏感度拉高；但如果旁邊有風扇、冷氣、同事聊天，或是工程師熟悉的「鍵盤打字聲交響樂」，就建議調低一點，避免 Agent 把背景雜音當成你在講話。

2. Security：測試 Voice 時要注意驗證模式
   接下來是安全性設定。筆者在測試 Voice Agent 時，必須把原本預設的 Microsoft authentication 改成 No authentication，不然語音測試流程可能無法正常運作。

3. Voice type 與模型選擇

這個功能目前會提供幾種模型選擇，包含 GPT real-time、mini，以及 GPT-5 類型的選項。筆者實際測試後，覺得 GPT-5 的回應效果最自然，語氣與停頓比較接近真人對話。

語音本身也可以選擇不同聲音。這個部分筆者建議依照品牌形象、服務對象與語言情境來挑，不要只因為某個聲音聽起來很像電影裡的 AI 管家就直接定案，客服電話聽久了，聲音親切與否其實差很多。

🗣️ 實際測試：直接問出差餐費
設定完成後，筆者按下開始通話，準備進行測試。Agent 先用語音打招呼，接著筆者直接問：

「May I know the meal fee on business travel?」

Agent 先回覆正在取得出差餐費政策，接著給了一個以公開資訊為基礎的答案：2025 年一般出差餐費約為每天 68 美元，高消費城市可能落在 75～95 美元左右，並提醒酒精飲料與過度奢華的餐點通常不在補助範圍內。

聽起來很完整對不對？但是筆者馬上發現一個問題：這個答案不是公司真正的報銷政策，而是模型從一般網路知識或公開資訊整理出來的內容。

筆者接著問它：「Can you check the company policy?」要求它改查公司上傳的政策檔案。

Agent 查了公司知識庫裡的 Expenses_Policy.docx，最後回覆公司規定的出差餐費是 每天 50 美元，包含早餐、午餐與晚餐，並補充收據、酒精飲料、奢華餐點等相關規則。

這個結果才是筆者要的答案。前面的 68 美元是一般網路資料，後面的 50 美元才是公司上傳的政策。兩個數字都可能「看起來合理」，但實務上只能以公司正式文件為準。

更多實作Demo，請參考完整版影片囉

📝 本日總結：很酷
這次 Voice Agent Demo，筆者覺得完成度確實很不錯：可以用麥克風自然對談，可以選擇聲音與模型，可以調整語音辨識參數，也支援 DTMF、靜音提醒與 barge-in。從體驗來看，已經不只是「把文字唸出來」而已，而是更接近真正的語音客服。

但筆者也必須老實說，最大的門檻就是這種 Voice Agent 的電話通道，主要是綁在 Dynamics 365，也就是微軟的 CRM 生態系。它可以搭配 PSTN、SIP 等電話服務，做出比較完整的客服中心語音體驗。

如果公司沒有採購 Dynamics 365 CRM ，那這個功能目前就很可能只能在測試環境裡玩，沒辦法直接變成正式對外服務。筆者覺得這是目前最可惜的地方。