Services vocaux unifiés pour la reconnaissance vocale, la synthèse vocale et la traduction vocale
The unified Speech services provide a wide range of speech recognition and generation capabilities including speech transcription, text-to-speech and speech translation.
Explorez les options tarifaires
Appliquez des filtres pour personnaliser les options de tarification à vos besoins.
Les prix ne sont que des estimations et ne sont pas destinés à être des devis réels. Le prix réel peut varier selon le type de contrat conclu avec Microsoft, la date d'achat et le taux de change. Les prix sont calculés en dollars américains et convertis à l'aide des taux de clôture au comptant de Londres saisis au cours des deux jours ouvrables précédant le dernier jour ouvrable de la fin du mois précédent. Si les deux jours ouvrables précédant la fin du mois tombent un jour férié sur les principaux marchés, le jour de fixation des taux est généralement le jour précédant immédiatement les deux jours ouvrables. Ce taux s'applique à toutes les transactions du mois à venir. Connectez-vous au calculateur de prix Azure pour voir les prix en fonction de votre programme/offre actuel avec Microsoft. Contactez un spécialiste des ventes Azure pour plus d'informations sur les prix ou pour demander un devis. Consultez les questions fréquemment posées sur la tarification Azure.
Les services fédéraux américains (US Government) peuvent acheter les services Azure Government auprès d’un fournisseur de solutions de licence, sans engagement financier initial, ou directement par le biais d’un abonnement en ligne avec paiement à l’utilisation.
Important : le prix en réal brésilien est donné à titre indicatif uniquement ; s’agissant d’une transaction internationale, le prix final dépend du taux de change et de la présence éventuelle de taxes. Aucun eNF ne sera émis.
Les services fédéraux américains (US Government) peuvent acheter les services Azure Government auprès d’un fournisseur de solutions de licence, sans engagement financier initial, ou directement par le biais d’un abonnement en ligne avec paiement à l’utilisation.
Important : le prix en réal brésilien est donné à titre indicatif uniquement ; s’agissant d’une transaction internationale, le prix final dépend du taux de change et de la présence éventuelle de taxes. Aucun eNF ne sera émis.
Gratuit (F0)
| Catégorie | Fonctionnalités | Tarif |
|---|---|---|
| Reconnaissance vocale (facturation par seconde) |
Standard | Real-time Transcription: 5 audio hours free per month2 |
| Personnalisé |
Real-time Transcription: 5 audio hours free per month2 Hébergement de point de terminaison : 1 modèle gratuit par mois1 |
|
| Synthèse vocale (facturation par caractère) |
Neuronal | 0.5 million millions de caractères gratuits par mois |
| Traduction vocale (facturation par seconde) |
Standard | 5 heures audio gratuites par mois |
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
1Les modèles inutilisés sont automatiquement retirés après 7 jours.
2Les heures audio gratuites pour la reconnaissance vocale sont partagées entre Standard et Personnalisé, le lot n'est pas pris en charge.
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.
| Catégorie | Fonctionnalités | Tarif | |
|---|---|---|---|
| Voice Live Pro (facturation par jeton par m)VL1 | Texte |
Entrée: $- Entrée mise en cache: $- 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 |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Audio - CustomVL2 |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Native audio with speech-to-speech real-time model |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Image |
Entrée: $- Entrée mise en cache: $- |
||
| Voice Live Standard (per m token billing)VL1 | Texte |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
|
| Audio - Standard |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Audio - CustomVL2 |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Native audio with speech-to-speech real-time model |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Voice Live Lite (facturation par jeton par m)VL1 | Texte |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
|
| Audio - Standard |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Audio - CustomVL2 |
Entrée mise en cache: $- Sortie: $- |
||
| Native audio with speech-to-speech real-time model |
Entrée: $- Entrée mise en cache: $- Sortie: $- |
||
| Voice Live BYO (per m token billing)VL1 | Audio - Standard |
Entrée: $- Sortie: $- |
|
| Audio - CustomVL2 |
Entrée: $- Sortie: $- |
||
| 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
| Catégorie | Fonctionnalités | Tarif | |
|---|---|---|---|
| Reconnaissance vocale (facturation par seconde) |
Transcription standard |
Transcription en temps réel : $- par heure Transcription rapide: $- par heure8 MAI Transcribe-2: $- par heure10 MAI Transcribe-1.5: $- par heure Transcription par lots : $- par heure1 |
|
| LLM Speech Transcription | $- par heure | ||
| Personnalisé : transcription |
Transcription en temps réel : $- par heure Transcription par lots : $- par heure1 Hébergement de point de terminaison : $- par modèle par heure Formation Custom Speech5: $- par heure de calcul |
||
Fonctionnalités améliorées du module complémentaire :
|
Temps réel : $- par heure par fonctionnalité | ||
| Traduction vocale (facturation par seconde) |
Real-time Speech Translation (Standard) | $- par heure audio3 | |
| Realtime Speech Translation (Live Interpreter) |
Audio en entrée : $- par heure audio Texte de sortie : $- tous les 1 million de caractères Sortie audio (voix Standard) : $- par heure audioLI Sortie audio (voix personnalisée) : $- par heure audioLI |
||
| LLM Speech Translation | $- par heure | ||
| Traduction vidéo |
Entrée vidéo : $- par heure Sortie vidéo (voix standard) : $- par heure Sortie vidéo (voix personnelle) : $- par heure |
||
| Synthèse vocale7 | Voix standard |
Neural/Neural HD Flash (real-time and batch): $- tous les 1 million de caractères Neural HD (en temps réel et par lots)4: $- tous les 1 million de caractères MAI-Voice: $- tous les 1 million de caractères |
|
| Custom Voice |
Audio professionnel :
Synthèse (en temps réel et par lots) : $- par million de caractères
Synthèse (HD neuronale en temps réel et par lots) $- 1 par million de caractères Formation au modèle vocal : $- par heure de calcul, jusqu’à $- par formation Hébergement de point de terminaison : $- par modèle par heure |
||
|
Voice personnelle6:
Synthèse (en temps réel et par lots) : $- par million de caractères
Création de voix : gratuit Stockage du profil Voice : $- pour 1 000 profils vocaux par mois |
|||
| Text to Speech Add-on feature: Avatar | Avatar standard |
Real-time (Interactive): $- per minute Batch: $- per minute |
|
| Avatar personnalisé |
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 Avatar interactif 4K (en temps réel) : $- par minute Vidéo d’avatar 4K (par lots) : $- par minute Apprentissage de modèle d’avatar: $- par heure de calcul Hébergement de point de terminaison : $- par modèle et par heure |
|||
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
Les heures de reconnaissance vocale sont mesurées comme les heures d'audio envoyées au service, facturées par seconde.
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.
2Cela reflète la tarification de la préversion publique.
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.
5L’entraînement Custom Speech s’applique lors de la personnalisation d’un modèle de base publié le 1er octobre 2023 ou après.
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.
7Conversion de texte par synthèse vocale : l’utilisation de la synthèse vocale est facturée par caractère. L’avatar est facturé par seconde. L’hébergement de formation et de modèle est facturé par seconde.
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
LICe prix inclut la sortie de texte
Commitment Tiers – Standard
| Catégorie | Fonctionnalités | Prix (par mois) | Dépassement |
|---|---|---|---|
| Reconnaissance vocale | Standard | $- pendant 2,000 heures | $- par heure |
| $- pendant 10,000 heures | $- par heure | ||
| $- pendant 50,000 heures | $- par heure | ||
| Personnalisé | $- pendant 2,000 heures | $- par heure | |
| $- pendant 10,000 heures | $- par heure | ||
| $- pendant 50,000 heures | $- par heure | ||
Fonctionnalités améliorées du module complémentaire :2
|
$- pendant 2,000 heures | $- par heure | |
| $- pendant 10,000 heures | $- par heure | ||
| $- pendant 50,000 heures | $- par heure | ||
| Synthèse vocale | Neuronal1 | $- pour 80 M de caractères | $- par lot de 1 M de caractères |
| $- pour 400 M de caractères | $- par lot de 1 M de caractères | ||
| $- pour 2,000 M de caractères | $- par lot de 1 M de caractères |
1Cela inclut la synthèse en temps réel et la synthèse par lots avec des voix neuronales prédéfinies non HD et non AOAI. Les voix HD, les voix AOAI, la voix neuronale personnalisée et la voix personnelle ne sont pas incluses.
2Parole en texte en temps réel uniquement, fonctionnalités complémentaires d'identification continue du langage et de diarisation incluses avec la reconnaissance vocale par lots.
Niveaux d'engagement – Conteneur connecté
| Catégorie | Fonctionnalités | Prix (par mois) | Dépassement |
|---|---|---|---|
| Reconnaissance vocale2 | Standard | $- pendant 2,000 heures | $- par heure |
| $- pendant 10,000 heures | $- par heure | ||
| $- pendant 50,000 heures | $- par heure | ||
| Personnalisé | $- pendant 2,000 heures | $- par heure | |
| $- pendant 10,000 heures | $- par heure | ||
| $- pendant 50,000 heures | $- par heure | ||
Fonctionnalités améliorées du module complémentaire :2
|
$- pendant 2,000 heures | $- par heure | |
| $- pendant 10,000 heures | $- par heure | ||
| $- pendant 50,000 heures | $- par heure | ||
| Synthèse vocale | Neuronal1 | $- pour 80 M de caractères | $- par lot de 1 M de caractères |
| $- pour 400 M de caractères | $- par lot de 1 M de caractères | ||
| $- pour 2,000 M de caractères | $- par lot de 1 M de caractères |
1Cela inclut la synthèse en temps réel avec des voix neuronales prédéfinies non HD et non AOAI. Les voix HD, les voix AOAI et les voix personnalisées (voix professionnelles et voix personnelles) ne sont pas incluses. La synthèse par lots n’est pas incluse.
2La tarification s’applique aux cas d’utilisation en temps réel et par lots. Il n’existe pas de prix de lot distinct pour les conteneurs.
See the documentation for information on Commitment tiers.
Niveaux d'engagement – Conteneur déconnecté
Sign up to access speech in disconnected containers, or learn more
| Catégorie | Fonctionnalités | Prix (par an) | Utilisation maximale (par an) | Utilisation projetée (par mois) |
|---|---|---|---|---|
| Reconnaissance vocale2 | Standard: Realtime & Batch |
$-
$- Inscrivez-vous pour obtenir l'accès. En savoir plus |
120 000 heures
600 000 heures |
10 000 heures
50 000 heures |
| Standard: Fast Transcription |
$-
Inscrivez-vous pour obtenir l'accès. En savoir plus |
120 000 heures | 10 000 heures | |
| Custom: Realtime & Batch |
$-
$- Inscrivez-vous pour obtenir l'accès. En savoir plus |
120 000 heures
600 000 heures |
10 000 heures
50 000 heures |
|
Fonctionnalités améliorées du module complémentaire :
|
$-
$- |
120 000 heures
600 000 heures |
10 000 heures
50 000 heures |
|
| Synthèse vocale | Neuronal1 |
$-
$- Inscrivez-vous pour obtenir l'accès. En savoir plus |
4,8 milliards de caractères
24B caractères |
400 millions de caractères
2 000 millions de caractères |
1Cela inclut la synthèse en temps réel avec des voix neuronales prédéfinies non HD et non AOAI. Les voix HD, les voix AOAI et les voix personnalisées (voix professionnelles et voix personnelles) ne sont pas incluses. La synthèse par lots n’est pas incluse.
2La tarification s’applique aux cas d’utilisation en temps réel et par lots. Il n’existe pas de prix de lot distinct pour les conteneurs.
Ces fonctionnalités sont déconseillées et ne sont disponibles que pour les clients existants. Consultez les détails et découvrez comment migrer vers de nouvelles fonctionnalités.
| Instance | Catégorie | Fonctionnalités | Tarif |
|---|---|---|---|
| Gratuit - Web/conteneur 1 demandes simultanées |
Synthèse vocale | Standard | 5 million millions de caractères gratuits par mois |
| Personnalisé |
5 million millions de caractères gratuits par mois Hébergement de point de terminaison : 1 modèle gratuit par mois |
||
| Standard - Web/Conteneur 100 demandes simultanées pour le modèle de base 20 demandes simultanées pour le modèle personnalisé |
Synthèse vocale | Standard | $- tous les 1 million de caractères |
| Personnalisé |
$- tous les 1 million de caractères Hébergement de point de terminaison : $- par modèle par heure |
Tarification et options d’achat Azure
Connectez-vous directement avec nous
Obtenez un guide pas à pas de la tarification Azure. Comprenez la tarification de votre solution cloud, découvrez l’optimisation des coûts et demandez une offre personnalisée.
Discuter avec un spécialiste des ventesDécouvrez les modalités d'achat
Achetez des services Azure via le site web Azure, un représentant Azure ou un partenaire Azure.
Explorez vos optionsRessources supplémentaires
Azure AI Speech
En savoir plus sur les fonctionnalités et capacités Azure AI Speech.
Calculatrice de prix
Estimez vos coûts mensuels pour l’utilisation des différentes combinaisons de produits Azure.
Documentation
Consulter les didacticiels et vidéos techniques, et d’autres ressources Azure AI Speech.
Forum Aux Questions
-
- Pour la reconnaissance vocale et la traduction vocale, l’utilisation est facturée par incréments d’une seconde.
- 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.
- Pour l’avatar Synthèse vocale, l’utilisation est facturée par seconde.
- Pour Reconnaissance vocale et Synthèse vocale (y compris Avatar), l’hébergement des points de terminaison pour les modèles personnalisés est facturé à la seconde et par modèle.
-
Le service vocal Speech permet aux utilisateurs d’adapter des modèles de base en fonction de leurs propres données acoustiques et linguistiques, produisant ainsi des modèles vocaux personnalisés qui peuvent être utilisés avec la reconnaissance vocale et la traduction vocale.
-
Le modèle linguistique est une distribution de probabilité sur des séquences de mots. Le modèle linguistique aide le système à opérer un choix parmi des séquences de mots homophones, en se basant sur la probabilité des séquences de mots elles-mêmes. Par exemple, les groupes de mots « séquence vocale » et « c’est quand ce veau cale » se prononcent de la même manière mais, la première hypothèse étant sensiblement plus probable, le modèle linguistique lui attribue un score supérieur. Si vous vous attendez à ce que les requêtes vocales adressées à votre application contiennent des éléments de vocabulaire particuliers, tels que des noms de produits ou des mots de jargon technique rarement rencontrés dans un discours ordinaire, vous obtiendrez probablement de meilleures performances en personnalisant le modèle linguistique. Par exemple, imaginons que vous construisez une application pour rechercher sur MSDN à l’aide de la voix. Il est probable que des termes tels que « orienté objet » ou « espace de noms » apparaissent plus fréquemment que dans des applications vocales ordinaires. La personnalisation du modèle linguistique permet au système d’apprendre cela.
-
Le modèle acoustique est un classifieur qui étiquette de courts fragments audio en l’un des quelques phonèmes, ou unités sonores, de chaque langue. Ces phonèmes peuvent être assemblés pour former des mots. Par exemple, le mot « vocal » comprend cinq phonèmes : « v », « o », « k », « a » et « l ». Ces classifications sont effectuées une centaine de fois par seconde. Une personnalisation du modèle acoustique peut permettre au système d’effectuer une meilleure reconnaissance vocale dans un environnement atypique. Par exemple, si vous avez une application conçue pour être utilisée par des ouvriers travaillant dans un entrepôt ou un atelier, un modèle acoustique personnalisé peut reconnaître de façon plus précise le discours en présence des bruits rencontrés dans ces environnements.
-
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.
-
L'identification de la langue vous permet d'identifier un changement de langue parlée et de transcrire la parole en conséquence. Cela peut être appliqué dans des scénarios où la langue audio est inconnue ou lorsque le ou les locuteurs peuvent parler plusieurs langues. L'identification en une seule langue est disponible sans frais supplémentaires. L'identification continue de la langue est une fonction complémentaire améliorée. Visitez la documentation pour en savoir plus.
-
- 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 $-
Discutez avec un spécialiste des ventes pour qu’il vous explique en détail la tarification Azure. Comprendre la tarification de votre solution cloud.
Profitez de services cloud gratuits et d’un crédit de $200 pour découvrir Azure pendant 30 jours.