Ceny za Hlasové služby

• V případě převodu řeči na text a překlad řeči se využití účtuje po sekundách.
• Převod textu na řeč: využití se účtuje po znacích. Zkontrolujte definici znaku vpoznámce k ceně.
• Pro převod řeči na text a převod textu na řeč se hostování koncových bodů pro vlastní modely účtuje za sekundu za model.
• Pro vlastní příkazy: fakturace se sleduje jako spotřeba služeb převodu řeči na text, převodu textu na řeč a Language Understanding. Vlastní příkazy nezavádějí nové měřiče fakturace.
• Za trénování modelů převodu řeči na text se neúčtují žádné poplatky. Jedinými náklady jsou hostování koncových bodů na model po nasazení a potom náklady na hodinu zvuku u vlastních převodů řeči na text.

Služba Speech umožňuje uživatelům přizpůsobit základní modely na základě vlastních akustických a jazykových dat a vytvářet tak modely řeči, které je možné použít v překladu řeči na text i překladu řeči.

Jazykový model je pravděpodobnostní rozdělení přes posloupnosti slov. Jazykový model pomáhá systému zvolit takovou posloupnost slov, která zní podobně, a to na základě pravděpodobnosti jednotlivých posloupností slov. Například posloupnosti „recognize speech“ a „wreck a nice beach“ znějí podobně, ale výskyt první z nich je mnohem pravděpodobnější, takže jí bude jazykovým modelem přiřazené vyšší ohodnocení. Pokud očekáváte, že hlasové dotazy na vaši aplikaci budou obsahovat určité slovníkové položky, jako jsou názvy produktů nebo žargon, který se v běžné řeči vyskytuje zřídka, je pravděpodobné, že úpravou jazykového modelu můžete výkon zlepšit. Pokud například vytváříte aplikaci umožňující hlasové dotazy na web MSDN, je pravděpodobné, že termíny jako „object-oriented“, „namespace“ nebo „dot net“ se budou vyskytovat častěji než v klasických hlasových aplikacích. Přizpůsobení jazykového modelu umožní systému se to naučit.

Akustický model je klasifikátor, který označuje krátké zvukové fragmenty jedním z několika fonémů, nebo zvukových jednotek, v každém jazyce. Tyto fonémy lze sestavit tak, aby tvořily slova. Například slovo „speech“ je tvořeno čtyřmi fonémy „s p iy ch“. Tyto klasifikace se provádějí řádově stokrát za sekundu. Přizpůsobení akustického modelu může systému umožnit naučit se lépe rozpoznávat řeč v atypických prostředích. Pokud máte například aplikaci, která je určená pracovníkům ve skladu nebo v továrně, přizpůsobený akustický model může přesněji rozpoznat řeč v přítomnosti dalších zvuků z tohoto prostředí.

Služba Speech nabízí širokou škálu hlasových písem pro převod textu na řeč (TTS), ale vlastní neurální hlas vám umožní vytvořit si vlastní hlas, který bude vyhovovat vašim potřebám a vaší značce. Další informace najdete na blogu.

Existují situace, kdy mluvčí nebo více mluvčích mluví v rámci jednoho zvukového souboru nebo živé prezentace několika jazyky. Průběžná detekce jazyka umožňuje rozpoznat změnu mluveného jazyka a podle toho přesně přepsat řeč. Tato funkce bude k dispozici zdarma v privátní verzi Preview a bude přístupná prostřednictvím sady Speech SDK. Další informace najdete v dokumentaci.