Samlede taletjenester for tale-til-tekst, tekst-til-tale og taleoversættelse
The unified Speech services provide a wide range of speech recognition and generation capabilities including speech transcription, text-to-speech and speech translation.
Se prismuligheder
Anvend filtre for at tilpasse prismulighederne efter dine behov.
Priserne er kun estimater og er ikke beregnet som faktiske pristilbud. De faktiske priser kan variere afhængigt af den type aftale, der er indgået med Microsoft, købsdatoen og valutakursen. Priserne beregnes ud fra den amerikanske dollar og konverteres ved hjælp af London børsens slutkurs, der registreres i løbet af de to hverdage før den sidste hverdag i den forrige måned. Hvis de to hverdage før månedens slutning falder på en banklukkedag på større markeder, angives kursen umiddelbart dagen før de to hverdage. Denne kurs gælder for alle transaktioner i løbet af den kommende måned. Log på Azure-prisberegneren for at se priser baseret på dit aktuelle program/tilbud med Microsoft. Kontakt en Azure-salgsspecialist for at få flere oplysninger om priser eller for at anmode om et pristilbud. Se ofte stillede spørgsmål om Azure-priser.
Amerikanske myndigheder kan købe Azure Government-tjenester hos en licensudbyder uden økonomisk forpligtelse eller direkte via et Betalt efter forbrug-onlineabonnement.
Vigtigt – Prisen i R$ er kun vejledende. Det er en international transaktion, og den endelige pris kan ændres, afhængigt af valutakurser og inkludering af IOF-afgifter. Der udstedes ikke en eNF.
Amerikanske myndigheder kan købe Azure Government-tjenester hos en licensudbyder uden økonomisk forpligtelse eller direkte via et Betalt efter forbrug-onlineabonnement.
Vigtigt – Prisen i R$ er kun vejledende. Det er en international transaktion, og den endelige pris kan ændres, afhængigt af valutakurser og inkludering af IOF-afgifter. Der udstedes ikke en eNF.
Gratis (F0)
| Kategori | Funktioner | Pris |
|---|---|---|
| Tale til tekst (fakturering pr. sekund) |
Standard | Real-time Transcription: 5 audio hours free per month2 |
| Brugerdefineret |
Real-time Transcription: 5 audio hours free per month2 Slutpunktshosting: 1 gratis model pr. måned1 |
|
| Tekst-til-tale (fakturering pr. tegn) |
Neural | 0.5 million gratis tegn pr. måned |
| Taleoversættelse (fakturering pr. sekund) |
Standard | 5 gratis lydtimer pr. måned |
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
1Ubrugte modeller tages automatisk ud af drift efter 7 dage.
2Gratis lydtimer for tale til tekst deles mellem standard og brugerdefineret. Batch understøttes ikke.
Pay as You Go: pay only for what you use
Voice Live API and voice agents Prices
Voice Live and voice agents support multiple AI models. For the latest list of supported models, see the documentation.
| Kategori | Funktioner | Pris | |
|---|---|---|---|
| Voice Live Pro (fakturering pr. mio. token)VL1 | Tekst |
Input: $- Cachelagret input: $- Output 1 (gpt-realtime, gpt-4o, gpt-4.1, gpt-5, gpt-5-chat): $- Output 2 (gpt-realtime-2, gpt-realtime-2.1): $- |
|
| Audio - Standard |
Input: $- Cachelagret input: $- Output: $- |
||
| Audio - CustomVL2 |
Input: $- Cachelagret input: $- Output: $- |
||
| Native audio with speech-to-speech real-time model |
Input: $- Cachelagret input: $- Output: $- |
||
| Billede |
Input: $- Cachelagret input: $- |
||
| Voice Live Standard (per m token billing)VL1 | Tekst |
Input: $- Cachelagret input: $- Output: $- |
|
| Audio - Standard |
Input: $- Cachelagret input: $- Output: $- |
||
| Audio - CustomVL2 |
Input: $- Cachelagret input: $- Output: $- |
||
| Native audio with speech-to-speech real-time model |
Input: $- Cachelagret input: $- Output: $- |
||
| Voice Live Lite (fakturering pr. mio. token)VL1 | Tekst |
Input: $- Cachelagret input: $- Output: $- |
|
| Audio - Standard |
Input: $- Cachelagret input: $- Output: $- |
||
| Audio - CustomVL2 |
Cachelagret input: $- Output: $- |
||
| Native audio with speech-to-speech real-time model |
Input: $- Cachelagret input: $- Output: $- |
||
| Voice Live BYO (per m token billing)VL1 | Audio - Standard |
Input: $- Output: $- |
|
| Audio - CustomVL2 |
Input: $- Output: $- |
||
| Voice Live Avatar (per minute billing) | Avatar output with Voice Live | Charged through Text to Speech Avatar ‘interactive avatar (real-time)’. See below Text to Speech pricing table for details. | |
VL1Voice Live pricing tiers are determined by the LLM models selected by developers. Models within each tier may be updated or retired as new options become available. To learn more about how Voice Live API pricing works, click here.
VL2You will be charged separately for custom speech and custom voice model training and hosting. Refer to the ‘Speech to Text – Custom Transcription’ and ‘Text to Speech – Custom Voice – Professional’ pricing for details. Custom voice is a limited access feature. Learn more about how to create custom voices.When using MAI-Transcribe, Standard-Audio pricing applies.
Speech Model Prices
| Kategori | Funktioner | Pris | |
|---|---|---|---|
| Tale til tekst (fakturering pr. sekund) |
Standardtransskription |
Transskription i realtid: $- pr. time Hurtig transskription: $- pr. time8 MAI Transcribe-2: $- pr. time10 MAI Transcribe-1.5: $- pr. time Batchtransskription: $- pr. time1 |
|
| LLM Speech Transcription | $- pr. time | ||
| Brugerdefineret transskription |
Transskription i realtid: $- pr. time Batchtransskription: $- pr. time1 Slutpunktshosting: $- pr. model pr. time Brugerdefineret træning i Tale5: $- pr. beregningstime |
||
Forbedrede funktioner til tilføjelsesprogrammer:
|
Realtid: $- pr. time pr. funktion | ||
| Taleoversættelse (fakturering pr. sekund) |
Real-time Speech Translation (Standard) | $- pr. lydtime3 | |
| Realtime Speech Translation (Live Interpreter) |
Inputlyd: $- pr. lydtime Outputtekst: $- pr. 1 mio. tegn Outputlyd (standardstemme): $- pr. lydtimeLI Outputlyd (brugerdefineret stemme): $- pr. lydtimeLI |
||
| LLM Speech Translation | $- pr. time | ||
| Videooversættelse |
Inputvideo: $- pr. time Outputvideo (standardstemme): $- pr. time Outputvideo (personlig stemme): $- pr. time |
||
| Tekst-til-tale7 | Standardstemme |
Neural/Neural HD Flash (real-time and batch): $- pr. 1 mio. tegn Neural HD (realtid og batch)4: $- pr. 1 mio. tegn MAI-Voice: $- pr. 1 mio. tegn |
|
| Custom Voice |
Professionel stemme:
Syntese (realtid og batch): $- pr. 1 mio. tegn
Syntese (neural HD i realtid og batch): $- pr. 1 mio. tegn Oplæring af stemmemodel: $- pr. beregningstime, op til $- pr. træning Slutpunktshosting: $- pr. model pr. time |
||
|
Personlig stemme6:
Syntese (realtid og batch): $- pr. 1 mio. tegn
Stemmeoprettelse: gratis Stemmeprofillager: $- pr. 1.000 stemmeprofiler pr. måned |
|||
| Text to Speech Add-on feature: Avatar | Standardavatar |
Real-time (Interactive): $- per minute Batch: $- per minute |
|
| Brugerdefineret avatar |
Photo Avatar:
Real-time (Interactive): $- per minute
Batch: $- per minute Photo Avatar Creation: $- per avatar |
||
|
Video Avatar:
Real-time (Interactive): $- per minute
Batch: $- per minute Interaktiv 4K-avatar (realtid): $- pr. minut 4K avatar-video (batch): $- pr. minut Avatar-modeltræning: $- pr. beregningstime Slutpunktshosting: $- pr. model pr. måned |
|||
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
Tale til tekst-timer måles som de timer med lyd, der sendes til tjenesten, faktureret i sekundintervaller.
1To take advantage of this new Batch Transcription pricing you need to use Speech to text REST API V3.2 or later versions. See Speech to text REST API for information.
2Dette afspejler prisfastsættelsen for den offentlige prøveversion.
3This price includes 1 audio input and output, up to 2 text translation language using standard or custom Speech to Text and standard Translation. For custom Translation or 3+ translation languages, please reference the Azure Translator in Foundry Tools Text Translation pricing page.
4Selected text to speech voices are available via two model variants: Neural and NeuralHD. Learn more here.
5Custom Speech-træning gælder, når du tilpasser en grundmodel, der er udgivet den 1. oktober 2023 eller derefter.
6Personal Voice is a limited access feature restricted to certain pre-approved use cases only, with a need to applying for access. To learn more about the service, check the document.
7Tekst-til-tale: Forbrug af talesyntese faktureres pr. tegn. Avatar faktureres pr. sekund. Træning og modelhosting faktureres pr. sekund.
8To use Fast Transcription you need to use Speech to text REST API 2024-11-15 or later versions. See Speech to text REST API for information.
9LLM Speech is currently sharing the same price and SKU ID with Fast Transcription.
10Limited-time promotional offer till 12/31/2026
LIDenne pris inkluderer tekstoutput
Commitment Tiers – Standard
| Kategori | Funktioner | Pris (pr. måned) | Overforbrug |
|---|---|---|---|
| Tale til tekst | Standard | $- i 2,000 timer | $- pr. time |
| $- i 10,000 timer | $- pr. time | ||
| $- i 50,000 timer | $- pr. time | ||
| Brugerdefineret | $- i 2,000 timer | $- pr. time | |
| $- i 10,000 timer | $- pr. time | ||
| $- i 50,000 timer | $- pr. time | ||
Forbedrede funktioner til tilføjelsesprogrammer:2
|
$- i 2,000 timer | $- pr. time | |
| $- i 10,000 timer | $- pr. time | ||
| $- i 50,000 timer | $- pr. time | ||
| Tekst-til-tale | Neural1 | $- for 80 mio. tegn | $- pr. 1 mio. tegn |
| $- for 400 mio. tegn | $- pr. 1 mio. tegn | ||
| $- for 2,000 mio. tegn | $- pr. 1 mio. tegn |
1Dette omfatter både syntese i realtid og batchsyntese med færdigbyggede neurale stemmer, der ikke er HD og ikke-AOAI. HD-stemmer, AOAI-stemmer, brugerdefineret neural stemme og personlig stemme er ikke inkluderet.
2Kun tale til tekst i realtid, funktioner til identifikation af fortløbende sprog og diarisering, der følger med batch tale til tekst.
Bindingsniveauer – forbundet objektbeholder
| Kategori | Funktioner | Pris (pr. måned) | Overforbrug |
|---|---|---|---|
| Tale til tekst2 | Standard | $- i 2,000 timer | $- pr. time |
| $- i 10,000 timer | $- pr. time | ||
| $- i 50,000 timer | $- pr. time | ||
| Brugerdefineret | $- i 2,000 timer | $- pr. time | |
| $- i 10,000 timer | $- pr. time | ||
| $- i 50,000 timer | $- pr. time | ||
Forbedrede funktioner til tilføjelsesprogrammer:2
|
$- i 2,000 timer | $- pr. time | |
| $- i 10,000 timer | $- pr. time | ||
| $- i 50,000 timer | $- pr. time | ||
| Tekst-til-tale | Neural1 | $- for 80 mio. tegn | $- pr. 1 mio. tegn |
| $- for 400 mio. tegn | $- pr. 1 mio. tegn | ||
| $- for 2,000 mio. tegn | $- pr. 1 mio. tegn |
1Dette omfatter syntese i realtid med færdigbyggede neurale stemmer, der ikke er HD og ikke-AOAI. HD-stemmer, AOAI-stemmer og brugerdefinerede stemmer (både professionelle og personlige stemmer) er ikke inkluderet. Batchsyntese er ikke inkluderet.
2Priserne gælder for use cases i realtid og batch. Der er ingen separate batchpriser for objektbeholdere.
See the documentation for information on Commitment tiers.
Bindingsniveauer – ikke-forbundet objektbeholder
Sign up to access speech in disconnected containers, or learn more
| Kategori | Funktioner | Pris (pr. år) | Maks. forbrug (pr. år) | Forventet forbrug (pr. måned) |
|---|---|---|---|---|
| Tale til tekst2 | Standard: Realtime & Batch |
$-
$- Tilmeld dig for at få adgang Få mere at vide |
120.000 timer
600.000 timer |
10.000 timer
50.000 timer |
| Standard: Fast Transcription |
$-
Tilmeld dig for at få adgang Få mere at vide |
120.000 timer | 10.000 timer | |
| Custom: Realtime & Batch |
$-
$- Tilmeld dig for at få adgang Få mere at vide |
120.000 timer
600.000 timer |
10.000 timer
50.000 timer |
|
Forbedrede funktioner til tilføjelsesprogrammer:
|
$-
$- |
120.000 timer
600.000 timer |
10.000 timer
50.000 timer |
|
| Tekst-til-tale | Neural1 |
$-
$- Tilmeld dig for at få adgang Få mere at vide |
4.8 mia. tegn
24 mia. tegn |
400 mio. tegn
2 mia. tegn |
1Dette omfatter syntese i realtid med færdigbyggede neurale stemmer, der ikke er HD og ikke-AOAI. HD-stemmer, AOAI-stemmer og brugerdefinerede stemmer (både professionelle og personlige stemmer) er ikke inkluderet. Batchsyntese er ikke inkluderet.
2Priserne gælder for use cases i realtid og batch. Der er ingen separate batchpriser for objektbeholdere.
Disse funktioner udfases og er kun tilgængelige for eksisterende kunder. Tjek oplysninger og få mere at vide om, hvordan du migrerer til nye funktioner.
| Instans | Kategori | Funktioner | Pris |
|---|---|---|---|
| Gratis - Web/Container 1 samtidig anmodning |
Tekst-til-tale | Standard | 5 million gratis tegn pr. måned |
| Brugerdefineret |
5 million gratis tegn pr. måned Slutpunktshosting: 1 gratis model pr. måned |
||
| Standard – Web/Objektbeholder 100 samtidige anmodninger om basismodel 20 samtidige anmodninger om brugerdefineret model |
Tekst-til-tale | Standard | $- pr. 1 mio. tegn |
| Brugerdefineret |
$- pr. 1 mio. tegn Slutpunktshosting: $- pr. model pr. time |
Azure-priser og købsmuligheder
Få direkte kontakt til os
Få en gennemgang af Azure-prisfastsættelse. Få en forståelse af prisfastsættelsen på din skyløsning, få mere at vide om omkostningsoptimering, og anmod om et tilpasset tilbud.
Tal med en sælgerSe flere måder at købe på
Køb Azure-tjenester via Azure-webstedet, en Microsoft-repræsentant eller en Azure-partner.
Se nærmere på dine mulighederFlere ressourcer
Azure AI Tale
Få mere at vide om funktioner og egenskaber i forbindelse med Azure AI Tale.
Prisberegner
Anslå dine forventede månedlige omkostninger ved hjælp af en hvilken som helst kombination af Azure-produkter.
Dokumentation
Se tekniske vejledninger, videoer og andet Azure AI Tale-materiale.
Ofte stillede spørgsmål
-
- For Tale til tekst og Taleoversættelse faktureres forbruget i intervaller på ét sekund.
- For Text to Speech: usage is billed per character. Check the definition of character in the pricing note.
- For custom neural voice hosting: usage is billed per endpoint per second. Check details in the pricing note.
- For personal voice profile storage: usage is billed per voice profile per day. Check details in the pricing note.
- For Tekst-til-tale Avatar faktureres forbruget pr. sekund.
- For Tale-til-tekst og Tekst-til-tale (herunder Avatar) faktureres slutpunktshosting for brugerdefinerede modeller pr. sekund pr. model.
-
Speech Service giver brugerne mulighed for at tilpasse grundlæggende modeller på baggrund af deres egne akustiske data og sprogdata. Det giver brugerdefinerede talemodeller, som kan bruges til både Tale til tekst og Taleoversættelse.
-
Sprogmodellen er en sandsynlighedsdistribution baseret på ordsekvenser. Sprogmodellen hjælper systemet med at fastlægge ordsekvenser, der lyder ens, på baggrund af sandsynligheden for selve ordsekvenserne. \"Genkend tale\" og \"gentænd svale\" lyder f.eks. ens, men den første hypotese er meget mere sandsynlig og vil derfor blive tildelt en meget højere score af sprogmodellen. Hvis du har en forventning om, at stemmeanmodninger til dit program indeholder særlige elementer af ordforråd, såsom produktnavne eller jargon, der er ikke opstår ofte i almindelig tale, kan du sandsynligvis opnå en forbedre ydeevne ved at tilpasse sprogmodellen. Hvis du f.eks. bygger en app til at søge MSDN med tale, er det sandsynligt, at termer såsom \"objektorienteret\" eller \"navneområde\" eller \"dot.net\" forekommer hyppigere end i almindelige stemmeprogrammer. En tilpasning af sprogmodellen gør det muligt for systemet at lære dette.
-
Den akustiske model er en klassificering, der markerer korte fragmenter af lyd i adskillige fonemer eller lydenheder på hvert sprog. Disse fonemer kan derefter sættes sammen og forme ord. Ordet \"tale\" indeholder f.eks. fire fonemer, \"t a l e\". Disse klassificeringer er lavet 100 gange i sekundet efter ordre. Tilpasning af den akustiske model gør det muligt for systemet bedre at lære at genkende tale i atypiske miljøer. Hvis du f.eks. har en app, der er designet til at blive brugt af en medarbejder på et lager eller en fabrik, kan en tilpasset akustisk model genkende tale i disse lydmiljøer mere præcist.
-
Speech service offers a wide range of text-to-speech (TTS) voice fonts, however custom neural voice allows you to build your own custom voice that suits your needs and your brand. Read the blog for more information.
-
Sprogidentifikation giver dig mulighed for at identificere et skift i talt sprog og transskribere tale i overensstemmelse hermed. Dette kan anvendes i scenarier, hvor lydsproget er ukendt, eller når taler(e) kan tale flere sprog. Identifikation af enkelte sprog er tilgængelig uden ekstra omkostninger. Fortløbende sprogidentifikation er en forbedret funktion til tilføjelsesprogrammer. Besøg dokumenter for at få mere at vide.
-
- Pronunciation assessment evaluates speech pronunciation and gives speakers feedback on the accuracy and fluency of spoken audio. With pronunciation assessment, language learners can practice, get instant feedback, and improve their pronunciation so that they can speak and present with confidence. Educators can use the capability to evaluate pronunciation of multiple speakers in real time. Visit docs to learn more.
- It is charged as standard Speech to Text, example:
For evaluation of 8 seconds of speech, you will be charged around $-
Tal med en sælger, og få en gennemgang af Azure-priserne. Få en forståelse af prisen på din cloudløsning.
Få gratis cloudtjenester og en kredit på $200, så du kan udforske Azure i 30 dage.