Beszédszolgáltatások – díjszabás

• A beszédfelismerés és a tolmácsolás használatát másodperces alapon számlázzuk.
• Szövegfelolvasás: A szolgáltatás használatát karakterenként számlázzuk. Ellenőrizze a karakter definícióját a díjszabási megjegyzésekben.
• A beszédfelismerés és a szövegfelolvasás esetében az egyéni modellek végponti üzemeltetését modellenként másodperces alapon számlázzuk.
• Egyéni parancsok esetén: a számlázás a Speech to Text, a Text to Speech és a Language Understanding felhasználásának alapján történik. Az egyéni parancsok nem vezetnek be új számlázási mérőszámokat.
• A beszédfelismerési modellek betanításáért nem számítunk fel díjat. Csak a végponti üzemeltetés modellenkénti díját számítjuk fel üzembe helyezés után, majd az egyéni beszédfelismerés (a hangfunkciók) használatának óránkénti díját.

A beszédszolgáltatással a felhasználók saját akusztikai és nyelvi adataikra épített alapmodelleket alakíthatnak át egyéni beszédmodellekké, amelyek diktálásra és tolmácsolásra is használhatók.

A nyelvi modell szószekvenciák valószínűségi eloszlását jelenti. A nyelvi modell segíti a rendszert abban, hogy válasszon a hasonló hangzású szószekvenciák közül. Ehhez maguknak a szószekvenciáknak a valószínűségét használja fel. A „recognize speech” és a „wreck a nice beach” például ugyanúgy hangzik, de az első változat sokkal valószínűbb, ezért magasabb pontszámot kap a nyelvi modellben. Ha az alkalmazáshoz várhatóan érkeznek majd olyan lekérdezések, amelyek speciális szókincset használnak (például termékneveket vagy a tipikus beszédben ritkán előforduló szakkifejezéseket), akkor a nyelvi modell testreszabásával nagy valószínűséggel hatékonyabb működés érhető el. Ha például az alkalmazás hangalapú keresést végez az MSDN-ben, valószínű, hogy az olyan kifejezések, mint az „objektumorientált”, a „névtér” vagy a „dot net” gyakrabban fordulnak majd elő, mint más alkalmazások esetében. A nyelvi modell testreszabásával lehetővé válik, hogy a rendszer megtanulja ezeket.

Az akusztikai modell besorolást végez: a hanganyag rövid részleteit egy adott nyelv fonémáiként (hangegységeiként) azonosít be. Ezekből a fonémákból állíthatók össze a szavak. Az angol „speech” (beszéd) szó például négy fonémából áll: „sz, p, í, cs”. Ezek a besorolások másodpercenként százas nagyságrendben zajlanak le. Az akusztikai modell testreszabása lehetővé teszi, hogy a rendszer nem tipikus környezetekben jobb hatékonysággal ismerje fel a beszédet. Egy olyan alkalmazásnál például, amelyet egy raktár vagy egy gyár dolgozói használnak, a testreszabott akusztikai modell pontosabb beszédfelismerést tehet lehetővé az ilyen környezetekben található zajok mellett is.

A Speech szolgáltatás sokféle hangtípust kínál a szövegfelolvasáshoz (TTS), az egyéni neurális hanggal viszont az igényeinek és a márkának megfelelő saját egyéni hangot hozhat létre. További információt a blogon talál.

Bizonyos helyzetekben előfordulhat, hogy egy vagy több beszélő több nyelvet is használ egy hangfájlon vagy élő előadáson belül. A folyamatos nyelvfelismerés lehetővé teszi a beszélt nyelv változásának észlelését és az elhangzottak ennek megfelelő, pontos átírását. Ez a funkció a privát előzetes verzióban ingyenes lesz, és a Speech SDK-n keresztül érhető el. További információért olvassa el a dokumentációt.