Sprachdienste – Preise

• Für Spracherkennung und Sprachübersetzung wird die Nutzung in Inkrementen von einer Sekunde abgerechnet.
• Für Sprachsynthese: Die Nutzung wird pro Zeichen abgerechnet. Überprüfen Sie die Definition eines Zeichens im Preishinweis.
• Für Spracherkennung und Sprachsynthese wird das Endpunkthosting für benutzerdefinierte Modelle pro Sekunde und Modell abgerechnet.
• Für benutzerdefinierte Befehle: Für die Abrechnung wird die Nutzung von Spracherkennung, Sprachsynthese und Language Understanding nachverfolgt. Durch benutzerdefinierte Befehle werden keine neuen Verbrauchseinheiten für die Abrechnung eingeführt.
• Für das Trainieren von Spracherkennungsmodellen fallen keine Gebühren an. Die einzigen Kosten sind das Hosten von Endpunkten pro Modell nach der Bereitstellung, und dann die Kosten pro Audiostunde von Custom Speech in Text.

Der Sprachdienst ermöglicht die Anpassung von Grundmodellen auf Grundlage eigener Audio- und Sprachdaten, wodurch benutzerdefinierte Sprachmodelle geschaffen werden, die sowohl für die Spracherkennung als auch für die Sprachübersetzung verwendet werden können.

Das Sprachmodell ist eine Wahrscheinlichkeitsverteilung über eine Sequenz von Wörtern. Mithilfe des Sprachmodells kann das System aus verschiedenen ähnlich klingenden Wortsequenzen die richtige Sequenz auswählen, basierend auf der Wahrscheinlichkeit der Wortsequenzen selbst. Die englischen Sequenzen „recognize speech“ und „wreck a nice beach“ z.B. klingen ähnlich, das Auftreten der ersten Sequenz ist jedoch weitaus wahrscheinlicher und erhält daher im Sprachmodell einen höheren Rang. Wenn Sie erwarten, dass Ihre Anwendung Sprachabfragen mit einem ganz bestimmten Vokabular verarbeiten muss, beispielsweise mit Produktnamen oder Fachtermini, die im allgemeinen Sprachgebrauch selten vorkommen, können Sie durch Anpassung des Sprachmodells wahrscheinlich eine bessere Leistung erzielen. Ein Beispiel: Sie entwickeln eine App zum Durchsuchen von MSDN per Spracheingabe. Dabei ist es sehr wahrscheinlich, dass Begriffe wie „objektorientiert“, „Namespace“ oder „Dotnet“ häufiger vorkommen als in anderen Spracherkennungsanwendungen. Indem Sie das Sprachmodell anpassen, können Sie dem System ermöglichen, dies zu lernen.

Das Akustikmodell ist eine Klassifizierung, die kurze Fragmente einer Audioeingabe basierend auf der Sprache einem von mehreren Phonemen (Klangeinheiten) zuordnet. Diese Phoneme können dann zu Wörtern zusammengefügt werden. Das englische Wort „Speech“ z.B. besteht aus den vier englischen Phonemen „s“, „p“, „iy“ und „ch“. Diese Klassifizierungen erfolgen mit einer Frequenz von ca. 100 pro Sekunde. Durch Anpassen des Akustikmodells kann das System lernen, um Spracheingaben in atypischen Umgebungen besser zu erkennen. Wenn Ihre App z.B. von Arbeitern in einer Lagerhalle oder Fabrik mit hohem Lärmpegel verwendet werden soll, kann ein angepasstes Akustikmodell Spracheingaben in diesen Umgebungen besser erkennen.

Der Spracherkennungsdienst bietet eine Vielzahl von TTS-Voicefonts (Text-to-Speech, Sprachsynthese). Sie können aber auch mithilfe der benutzerdefinierten neuronalen Stimme Ihre eigene benutzerdefinierte Stimme erstellen, die zu Ihren Anforderungen und Ihrer Marke passt. Weitere Informationen finden Sie im Blog.

Es gibt Szenarien, in denen ein oder mehrere Sprecher in derselben Audiodatei oder bei derselben Livepräsentation mehrere unterschiedliche Sprachen sprechen. Mit der fortlaufenden Spracherkennung können Sie einen Wechsel der gesprochenen Sprache erkennen und die Sprache dementsprechend korrekt transkribieren. Dieses Feature ist in der privaten Vorschau kostenlos und kann über das Speech SDK aufgerufen werden. Weitere Informationen finden Sie in der Dokumentation.