Precios de Voz de Azure AI

• Para Speech to Text y Speech Translation, el uso se factura en incrementos de un segundo.
• Para Text to Speech: el uso se factura por carácter. Compruebe la definición de carácter en la nota de precios.
• Para el hospedaje de voz neuronal personalizada: el uso se factura por punto de conexión por segundo. Consulte los detalles en la nota de precios .
• Para el almacenamiento de perfiles de voz personales: el uso se factura por perfil de voz al día. Consulte los detalles en la nota de precios .
• Por Text to Speech avatar, el uso se factura por segundo.
• Para Speech to Text y Text to Speech (avatar incluido), el hospedaje de puntos de conexión para modelos personalizados se factura por segundo por modelo.

El Servicio de voz permite a los usuarios adaptar modelos de línea base en función de sus propios datos acústicos y lingüísticos. Esto da lugar a modelos de voz personalizados que se pueden usar en Speech to Text y Speech Translation.

El modelo de lenguaje es una distribución de probabilidad en secuencias de palabras. Ayuda al sistema a decidir entre secuencias de palabras que suenan de forma parecida, en función de la probabilidad de las propias secuencias de palabras. Por ejemplo, “bolsa de patatas fritas” y “bolsa de batatas fritas” suenan muy parecido, pero es mucho más probable la primera que la segunda y, por tanto, el modelo de lenguaje le asignará una puntuación más alta. Si cree que las consultas de voz que va a recibir su aplicación contendrán términos específicos, como nombres de producto o jerga que no suele utilizarse en una conversación normal, es probable que obtenga un rendimiento mayor si personaliza el modelo de lenguaje. Por ejemplo, si estuviera creando una aplicación que realice búsquedas en MSDN mediante voz, es probable que términos como “orientado a objetos”, “espacio de nombres” o “punto net” aparezcan con más frecuencia que en aplicaciones de voz normales. Al personalizar el modelo de lenguaje, se consigue que el sistema aprenda esto.

El modelo acústico es un clasificador que etiqueta breves fragmentos de audio en uno de varios fonemas, o unidades de sonido, en cada idioma. Después, estos fonemas se pueden unir para formar palabras. Por ejemplo, la palabra “voz” se compone de tres fonemas: “b o z”. Estas clasificaciones se llevan a cabo a razón de 100 veces por segundo. La personalización del modelo acústico permite que el sistema aprenda a reconocer mejor la voz en entornos atípicos. Por ejemplo, si tiene una aplicación diseñada para que la utilicen empleados de un almacén o una fábrica, un modelo acústico personalizado puede reconocer la voz con más precisión cuando hay ruido en el entorno.

El servicio de voz ofrece una amplia gama de fuentes de voz para la conversión de texto en voz (TTS). Sin embargo, la voz neuronal personalizada le permite crear su propia voz adaptada a sus necesidades y a su marca. Lea el blog para obtener más información.

Identificación lingüística permite identificar un cambio en el idioma hablado y transcribir la voz en consecuencia. Esto se puede aplicar en escenarios en los que se desconoce el idioma del audio o cuando los oradores pueden hablar varios idiomas. La identificación de idioma único está disponible sin costo adicional. La identificación continua del lenguaje es una característica de complemento mejorada. Visite docs para obtener más información.

• La evaluación de pronunciación evalúa la pronunciación de voz y proporciona a los oradores comentarios sobre la precisión y la fluidez del audio hablado. Con la evaluación de la pronunciación, los estudiantes de idioma pueden practicar, recibir comentarios instantáneos y mejorar su pronunciación para que puedan hablar y presentar con confianza. Los educadores pueden usar la capacidad de evaluar la pronunciación de varios oradores en tiempo real. Visite docs para obtener más información.
• Se cobra como Speech to Text estándar, por ejemplo:
  Para la evaluación de 8 segundos de voz, se le cobrará alrededor de $-