Azure KI Speech – Preise

• Für Spracherkennung und Sprachübersetzung wird die Nutzung in Inkrementen von einer Sekunde abgerechnet.
• 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.
• Für Text-to-Speech-Avatar wird die Nutzung pro Sekunde abgerechnet.
• Für Spracherkennung und Sprachsynthese (einschließlich Avatar) wird das Endpunkthosting für benutzerdefinierte Modelle pro Sekunde und Modell abgerechnet.

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.

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.

Sprachidentifikation ermöglicht es Ihnen, einen Schalter in gesprochener Sprache zu identifizieren und Sprache entsprechend zu transkribieren. Dies kann in Szenarien angewendet werden, in denen die Audiosprache unbekannt ist oder wenn Sprecher mehrere Sprachen sprechen. Die Einzelsprachidentifikation ist ohne zusätzliche Kosten verfügbar. Continuous Language Identification ist ein erweitertes Add-On-Feature. Besuchen Sie die Dokumentation für weitere Informationen.

• 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 $-