Enterprise-grade voice intelligence you can trust at global scale
Los servicios de voz unificados proporcionan una gran variedad de capacidades de generación y reconocimiento de voz, incluidas la transcripción, la conversión de texto a voz y la traducción de voz.
Explore las opciones de precios
Aplique filtros para adaptar las opciones de precios a sus necesidades.
Los precios son solo estimaciones y no están pensados como cotizaciones de precios reales. Los precios reales pueden variar en función del tipo de contrato especificado con Microsoft, la fecha de compra y el tipo de cambio de moneda. Los precios se calculan en dólares estadounidenses y se convierten con las tarifas al contado de cierre de Londres que se capturan en los dos días laborables anteriores al último día laborable del mes anterior. Si los dos días laborables anteriores al final del mes se encuentran en un día festivo en los principales mercados, el día de configuración de tarifas suele ser el día inmediatamente anterior a los dos días laborables. Esta tarifa se aplica a todas las transacciones durante el próximo mes. Inicie sesión en la calculadora de precios de Azure para ver los precios basados en su programa u oferta actuales con Microsoft. Póngase en contacto con un especialista en ventas de Azure para obtener más información sobre precios o para solicitar una oferta de precios. Vea preguntas poco frecuentes sobre los precios de Azure.
Las entidades gubernamentales de EE. UU. pueden comprar servicios de Azure Government a un proveedor de soluciones de licencia sin ningún compromiso financiero por adelantado, o bien directamente a través de una suscripción en línea de pago por uso.
Importante: el precio en R$ es solo una referencia. Se trata de transacciones internacionales y el precio final está sujeto a tipos de cambio y a la inclusión de impuestos sobre operaciones financieras. No se emitirá ningún eNF.
Las entidades gubernamentales de EE. UU. pueden comprar servicios de Azure Government a un proveedor de soluciones de licencia sin ningún compromiso financiero por adelantado, o bien directamente a través de una suscripción en línea de pago por uso.
Importante: el precio en R$ es solo una referencia. Se trata de transacciones internacionales y el precio final está sujeto a tipos de cambio y a la inclusión de impuestos sobre operaciones financieras. No se emitirá ningún eNF.
Gratis (F0)
| Categoría | Características | Precio |
|---|---|---|
| Speech to Text (facturación por segundo) |
Estándar | Transcripción en tiempo real: 5 horas de audio gratis al mes2 |
| Personalizado |
Transcripción en tiempo real: 5 horas de audio gratis al mes2 Hospedaje de puntos de conexión: 1 modelos gratis al mes1 |
|
| Text to Speech (facturación por carácter) |
Neuronal | 0.5 million caracteres gratis al mes |
| Speech Translation (facturación por segundo) |
Estándar | 5 horas de audio gratis al mes |
Consulte la documentación para obtener información sobre las cuotas, los límites y las instrucciones sobre cómo aumentar las solicitudes simultáneas.
1Los modelos sin usar se retirarán automáticamente después de 7 días.
2Las horas de audio gratuitas para la conversión de voz a texto se comparten entre Estándar y Personalizado. No se admite Lote.
Pago por uso: pague solo por lo que use
Precios de Voice Live API y de los agentes de voz
Voice Live y los agentes de voz admiten varios modelos de inteligencia artificial. Para obtener la lista más reciente de modelos admitidos, consulte la documentación.
| Categoría | Características | Precio | |
|---|---|---|---|
| Voice Live Pro (facturación por millón de token)VL1 | Texto |
Entrada: $- Entrada en caché: $- Salida 1 (gpt-realtime, gpt-4o, gpt-4.1, gpt-5, gpt-5-chat): $- Salida 2 (gpt-realtime-2, gpt-realtime-2.1): $- |
|
| Audio: estándar |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Audio: personalizadoVL2 |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Audio nativo con el modelo de voz a voz en tiempo real |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Imagen |
Entrada: $- Entrada en caché: $- |
||
| Voice Live Standard (facturación por millón de tokens)VL1 | Texto |
Entrada: $- Entrada en caché: $- Salida: $- |
|
| Audio: estándar |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Audio: personalizadoVL2 |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Audio nativo con el modelo de voz a voz en tiempo real |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Voice Live Lite (facturación por millón de token)VL1 | Texto |
Entrada: $- Entrada en caché: $- Salida: $- |
|
| Audio: estándar |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Audio: personalizadoVL2 |
Entrada en caché: $- Salida: $- |
||
| Audio nativo con el modelo de voz a voz en tiempo real |
Entrada: $- Entrada en caché: $- Salida: $- |
||
| Voice Live BYO (facturación por millón de token)VL1 | Audio: estándar |
Entrada: $- Salida: $- |
|
| Audio: personalizadoVL2 |
Entrada: $- Salida: $- |
||
| Avatar de Voice Live (facturación por minuto) | Salida de avatar con Voice Live | Se cobra a través del avatar de Texto a voz “avatar interactivo (en tiempo real)”. Consulte a continuación la tabla de precios de Texto a voz para obtener más detalles. | |
VL1Los niveles de precios de Voice Live los determinan los modelos de LLM seleccionados por los desarrolladores. Los modelos de cada nivel se pueden actualizar o retirar a medida que haya nuevas opciones disponibles. Para obtener más información sobre cómo funcionan los precios de la API de Voice Live, haga clic aquí.
VL2Se le cobrará por separado el entrenamiento y el hosting del modelo de voz personalizada y el habla personalizada. Consulte los precios de “Conversión de voz en texto: transcripción personalizada” y “Conversión de voz en texto: voz personalizada – Profesional” para obtener más detalles. Voz personalizada es una característica de acceso limitado. Más información sobre cómo crear voces personalizadas.Al usar MAI-Transcribe, se aplica la tarifa de Standard-Audio.
Precios de modelos de voz
| Categoría | Características | Precio | |
|---|---|---|---|
| Speech to Text (facturación por segundo) |
Transcripción Estándar |
Transcripción en tiempo real: $- por hora Transcripción rápida: $- por hora8 MAI-Transcribe-2: $- por hora10 MAI-Transcribe-1.5: $- por hora Transcripción por lotes: $- por hora1 |
|
| Transcripción de Habla de LLM | $- por hora | ||
| Transcripción personalizada |
Transcripción en tiempo real: $- por hora Transcripción por lotes: $- por hora1 Hospedaje de puntos de conexión: $- por modelo a la hora Entrenamiento sobre el Habla personalizada5: $- por hora de proceso |
||
Características mejoradas del complemento:
|
Tiempo real: $- por hora por característica | ||
| Speech Translation (facturación por segundo) |
Speech Translation en tiempo real (Estándar) | $- por hora de audio3 | |
| Speech Translation en tiempo real (intérprete en directo) |
Audio de entrada: $- por hora de audio Texto de salida: $- por cada millón de caracteres Audio de salida (voz estándar): $- por hora de audioLI Audio de salida (voz personalizada): $- por hora de audioLI |
||
| Transcripción de Habla de LLM | $- por hora | ||
| Traducción de vídeo |
Vídeo de entrada: $- por hora Vídeo de salida (voz Estándar): $- por hora Vídeo de salida (voz personal): $- por hora |
||
| Text to Speech7 | Voz estándar |
Neural/Neural HD Flash (en tiempo real y por lotes): $- por cada millón de caracteres Neural HD (real-time, partner voices and batch)4: $- por cada millón de caracteres MAI-Voice: $- por cada millón de caracteres |
|
| Voz personalizada |
Voz profesional:
Síntesis (en tiempo real y por lotes): $- por 1 millón de caracteres
Síntesis (neural HD en tiempo real y por lotes): $- por 1 millón de caracteres Entrenamiento del modelo de voz: $- por hora de proceso, hasta $- por entrenamiento Hospedaje de puntos de conexión: $- por modelo a la hora |
||
|
Voz personal6:
Síntesis (en tiempo real y por lotes): $- por 1 millón de caracteres
Creación de voz: gratis Almacenamiento de perfiles de voz: $- por 1000 perfiles de voz al mes |
|||
| Característica del complemento de texto a voz: avatar | Avatar estándar |
Tiempo real (interactivo): $- por minuto Lote: $- por minuto |
|
| Avatar personalizado |
Avatar de foto:
Tiempo real (interactivo): $- por minuto
Lote: $- por minuto Creación de avatares fotográficos: $- por avatar |
||
|
Avatar de vídeo:
Tiempo real (interactivo): $- por minuto
Lote: $- por minuto Avatar 4K interactivo (en tiempo real): $- por minuto Vídeo de avatar 4K (lote): $- por minuto Entrenamiento del modelo de avatar: $- por hora de proceso Hospedaje de puntos de conexión: $- por modelo por hora |
|||
Consulte la documentación para obtener información sobre las cuotas, los límites y las instrucciones sobre cómo aumentar las solicitudes simultáneas.
Las horas de voz a texto se miden como las horas de audio enviadas al servicio, facturadas en incrementos de un segundo.
1Para aprovechar estos nuevos precios de transcripción por lotes, debe usar la API de REST de conversión de voz en texto V3.2 o versiones posteriores. Consulte la API de REST de conversión de voz en texto para obtener información.
2Esto refleja los precios de la versión preliminar pública.
3Este precio incluye 1 entrada y salida de audio, hasta 2 idiomas de traducción de texto con Conversión de voz en texto estándar o personalizado y traducción estándar. Para idiomas personalizados de traducción o de más de 3 idiomas de traducción, consulte la página de precios de traducción de texto de Azure AI Translator en Foundry Tools.
4Las voces de texto a voz seleccionadas están disponibles a través de dos variantes de modelo: Neural y NeuralHD. Obtenga más información aquí.
5El entrenamiento de Habla personalizada se aplica al personalizar cualquier modelo base publicado el 1 de octubre de 1, 2023 o después.
6Voz personal es una característica de acceso limitado restringida a ciertos casos de uso solo aprobados previamente, con la necesidad de solicitar acceso. Para obtener más información sobre el servicio, compruebe el documento.
7Text to Speech: el uso de síntesis de voz se factura por carácter. El avatar se factura por segundo. El entrenamiento y el hospedaje de modelos se facturan por segundo.
8Para usar la Transcripción rápida, debe usar la API de REST de conversión de voz en texto 2024-11-15-preview o versiones posteriores. Consulte la API de REST de conversión de voz en texto para obtener información.
9Habla de LLM comparte actualmente el mismo precio y el mismo Id. de SKU que la Transcripción rápida.
10Oferta promocional por tiempo limitado hasta el 31/12/2026
LIEste precio incluye la salida de texto
Niveles de compromiso: estándar
| Categoría | Características | Precio (mensual) | Uso por encima del límite |
|---|---|---|---|
| Conversión de voz en texto | Estándar | $- durante 2,000 horas | $- por hora |
| $- durante 10,000 horas | $- por hora | ||
| $- durante 50,000 horas | $- por hora | ||
| Personalizado | $- durante 2,000 horas | $- por hora | |
| $- durante 10,000 horas | $- por hora | ||
| $- durante 50,000 horas | $- por hora | ||
Características mejoradas del complemento:2
|
$- durante 2,000 horas | $- por hora | |
| $- durante 10,000 horas | $- por hora | ||
| $- durante 50,000 horas | $- por hora | ||
| Text to Speech | Neuronal1 | $- durante 80 M de caracteres | $- por cada 1 M de caracteres |
| $- durante 400 M de caracteres | $- por cada 1 M de caracteres | ||
| $- durante 2,000 M de caracteres | $- por cada 1 M de caracteres |
1Esto incluye síntesis en tiempo real y síntesis por lotes con voces neuronales no HD y no AOAI precompiladas. No se incluyen voces HD, voces AOAI, Voz neuronal personalizada y Voz personal.
2Solo voz a texto en tiempo real, identificación continua del idioma y características del complemento de diarización incluidas con la conversión de voz en texto por lotes.
Niveles de compromiso: contenedor conectado
| Categoría | Características | Precio (mensual) | Uso por encima del límite |
|---|---|---|---|
| Conversión de voz en texto2 | Estándar | $- durante 2,000 horas | $- por hora |
| $- durante 10,000 horas | $- por hora | ||
| $- durante 50,000 horas | $- por hora | ||
| Personalizado | $- durante 2,000 horas | $- por hora | |
| $- durante 10,000 horas | $- por hora | ||
| $- durante 50,000 horas | $- por hora | ||
Características mejoradas del complemento:2
|
$- durante 2,000 horas | $- por hora | |
| $- durante 10,000 horas | $- por hora | ||
| $- durante 50,000 horas | $- por hora | ||
| Text to Speech | Neuronal1 | $- durante 80 M de caracteres | $- por cada 1 M de caracteres |
| $- durante 400 M de caracteres | $- por cada 1 M de caracteres | ||
| $- durante 2,000 M de caracteres | $- por cada 1 M de caracteres |
1Esto incluye síntesis en tiempo real con voces neuronales no HD y no AOAI precompiladas. Las voces HD, las voces AOAI y las voces personalizadas (tanto las voces profesionales como las personales) no están incluidas. No se incluye la síntesis por lotes.
2Los precios se aplican a los casos de uso por lotes y en tiempo real. No hay ningún precio por lotes independiente para los contenedores.
Consulte la documentación para obtener información sobre los niveles de compromiso.
Niveles de compromiso: contenedor desconectado
Regístrese para acceder a voz en contenedores desconectados u obtener más información
| Categoría | Características | Precio (por año) | Uso máximo por año | Uso previsto (al mes) |
|---|---|---|---|---|
| Conversión de voz en texto2 | Estándar: Tiempo real y por lotes |
$-
$- Iniciar sesión para obtener el acceso Más información |
120 000 horas
600 000 horas |
10 000 horas
50 000 horas |
| Estándar: Transcripción rápida |
$-
Iniciar sesión para obtener el acceso Más información |
120 000 horas | 10 000 horas | |
| Personalizado: Tiempo real y por lotes |
$-
$- Iniciar sesión para obtener el acceso Más información |
120 000 horas
600 000 horas |
10 000 horas
50 000 horas |
|
Características mejoradas del complemento:
|
$-
$- |
120 000 horas
600 000 horas |
10 000 horas
50 000 horas |
|
| Text to Speech | Neuronal1 |
$-
$- Iniciar sesión para obtener el acceso Más información |
4,8B caracteres
24B caracteres |
400 millones de caracteres
2000 millones de caracteres |
1Esto incluye síntesis en tiempo real con voces neuronales no HD y no AOAI precompiladas. Las voces HD, las voces AOAI y las voces personalizadas (tanto las voces profesionales como las personales) no están incluidas. No se incluye la síntesis por lotes.
2Los precios se aplican a los casos de uso por lotes y en tiempo real. No hay ningún precio por lotes independiente para los contenedores.
Estas características están en desuso y solo están disponibles para que los clientes existentes las usen. Compruebe los detalles y obtenga información sobre cómo migrar a nuevas características.
| Instancia | Categoría | Características | Precio |
|---|---|---|---|
| Gratis - Web/Container 1 solicitud simultánea |
Text to Speech | Estándar | 5 million caracteres gratis al mes |
| Personalizado |
5 million caracteres gratis al mes Hospedaje de puntos de conexión: 1 modelos gratis al mes |
||
| Estándar: web/contenedor 100 solicitudes simultáneas para el modelo base 20 solicitudes simultáneas para un modelo personalizado |
Text to Speech | Estándar | $- por cada millón de caracteres |
| Personalizado |
$- por cada millón de caracteres Hospedaje de puntos de conexión: $- por modelo a la hora |
Precios y opciones de compra de Azure
Póngase en contacto con nosotros directamente
Obtenga un tutorial sobre los precios de Azure. Averigüe cómo funcionan los precios para su solución en la nube, descubra cómo se pueden optimizar los costos y solicite una propuesta personalizada.
Hable con un especialista de ventasConozca las opciones de compra
Puede adquirir servicios de Azure en el sitio web de la plataforma y a través de un representante de Microsoft o de un asociado de Azure.
Explore sus opcionesRecursos adicionales
Azure Speech in Foundry Tools
Obtenga más información sobre las características y funcionalidades de Azure Speech in Foundry Tools.
Calculadora de precios
Haga una estimación de los costos mensuales que le supondría el uso de cualquier combinación de productos de Azure.
Documentación
Consulte tutoriales técnicos, vídeos y más recursos de Azure Speech in Foundry Tools.
Preguntas frecuentes
-
- Para Speech to Text y Speech Translation, el uso se factura en incrementos de un segundo.
- Para texto a voz: 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 a 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 la documentación para obtener más información.
-
- La evaluación de la pronunciación evalúa la pronunciación de voz y proporciona a los hablantes comentarios sobre la precisión y fluidez del audio hablado. Con esta evaluación, quienes aprenden un idioma pueden practicar, recibir comentarios instantáneos y mejorar su pronunciación para hablar y presentar con confianza. Los formadores pueden usar la capacidad de evaluar la pronunciación de varios hablantes en tiempo real. Visite la documentación para obtener más información.
- Se cobra como conversión de voz en texto estándar, por ejemplo:
Por la evaluación de 8 segundos de habla, se le cobrará aproximadamente $-
Hable con un especialista de ventas para que le explique en detalle los precios de Azure. Conozca el precio de su solución en la nube.
Obtenga servicios en la nube gratuitos y un crédito de $200 para explorar Azure durante 30 días.