Egységes beszédszolgáltatások diktáláshoz, szövegfelolvasáshoz és tolmácsoláshoz
The unified Speech services provide a wide range of speech recognition and generation capabilities including speech transcription, text-to-speech and speech translation.
Ismerje meg a díjszabási lehetőségeket
Szűrők alkalmazásával testre szabhatja a díjszabási lehetőségeket saját igényei szerint.
Az árak csak becslések, és nem tényleges árajánlatok. A tényleges díjszabás a Microsofttal kötött szerződés típusától, a vásárlás dátumától és a pénznem árfolyamától függően változhat. Az árakat USD-ben számítjuk ki, és az előző hónap utolsó munkanapját megelőző két munkanapon belül rögzített, londoni záró árfolyamok használatával váltjuk át őket. Ha a hónap végét megelőző két munkanap a főbb piacokon munkaszüneti napra esik, az árfolyam-meghatározási nap általában a két munkanap előtti nap. Ez az árfolyam a következő hónapban végrehajtott összes tranzakcióra vonatkozik. Jelentkezzen be az Azure-díjkalkulátorba, a Microsofttal fenntartott jelenlegi program/ajánlata alapján mért díjszabás megtekintéséhez. A díjszabással kapcsolatos további információért vagy árajánlat kéréséhez forduljon egy Azure értékesítési szakértőhöz. Lásd az Azure díjszabásával kapcsolatos gyakori kérdéseket.
Az amerikai államigazgatási szervek jogosultak arra, hogy egy licencelési tanácsadótól vásároljanak Azure Government-szolgáltatásokat előzetes pénzügyi kötelezettségvállalás nélkül, vagy pedig közvetlenül egy online használatalapú előfizetés keretében.
Fontos – A R$-ban megadott ár csak viszonyítási érték; nemzetközi tranzakcióról lévén szó, a végső árat az átváltási árfolyamok, illetve a pénzügyi műveleteket terhelő adók befolyásolják. Emellett eNF igazolást sem állítanak ki.
Az amerikai államigazgatási szervek jogosultak arra, hogy egy licencelési tanácsadótól vásároljanak Azure Government-szolgáltatásokat előzetes pénzügyi kötelezettségvállalás nélkül, vagy pedig közvetlenül egy online használatalapú előfizetés keretében.
Fontos – A R$-ban megadott ár csak viszonyítási érték; nemzetközi tranzakcióról lévén szó, a végső árat az átváltási árfolyamok, illetve a pénzügyi műveleteket terhelő adók befolyásolják. Emellett eNF igazolást sem állítanak ki.
Ingyenes (F0)
| Kategória | Jellemzők | Ár |
|---|---|---|
| Beszéd szöveggé alakítása (másodpercalapú számlázás) |
Standard | Real-time Transcription: 5 audio hours free per month2 |
| Egyéni |
Real-time Transcription: 5 audio hours free per month2 Végpont-üzemeltetés: Havonta 1 modell ingyenes1 |
|
| Szöveg beszéddé alakítása (karakterenkénti számlázás) |
Neurális | Havonta 0.5 million millió karakter ingyenes |
| Beszédfordítás (másodpercalapú számlázás) |
Standard | 5 audióóra ingyen havonta |
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
1A használaton kívüli modellek automatikusan le lesznek szerelve 7 nap múltán.
2A beszéd szöveggé alakításának ingyenes hangideje a Standard és az Egyéni verzió között van megosztva, a Batch nem támogatott.
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.
| Kategória | Jellemzők | Ár | |
|---|---|---|---|
| Voice Live Pro (m tokenenkénti számlázás)VL1 | Szöveg |
Bemenet: $- Gyorsítótárazott bemenet: $- 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 |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Audio - CustomVL2 |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Native audio with speech-to-speech real-time model |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Kép |
Bemenet: $- Gyorsítótárazott bemenet: $- |
||
| Voice Live Standard (per m token billing)VL1 | Szöveg |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
|
| Audio - Standard |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Audio - CustomVL2 |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Native audio with speech-to-speech real-time model |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Voice Live Pro (m tokenenkénti számlázás)VL1 | Szöveg |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
|
| Audio - Standard |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Audio - CustomVL2 |
Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Native audio with speech-to-speech real-time model |
Bemenet: $- Gyorsítótárazott bemenet: $- Kimenet: $- |
||
| Voice Live BYO (per m token billing)VL1 | Audio - Standard |
Bemenet: $- Kimenet: $- |
|
| Audio - CustomVL2 |
Bemenet: $- Kimenet: $- |
||
| 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
| Kategória | Jellemzők | Ár | |
|---|---|---|---|
| Beszéd szöveggé alakítása (másodpercalapú számlázás) |
Szabványos átírás |
Valós idejű átírás: $- óránként Gyors átírás: $- óránként8 MAI Transcribe-2: $- óránként10 MAI Transcribe-1.5: $- óránként Kötegelt átírás: $- óránként1 |
|
| LLM Speech Transcription | $- óránként | ||
| Egyéni átírás |
Valós idejű átírás: $- óránként Kötegelt átírás: $- óránként1 Végpont-üzemeltetés: $- modellenként és óránként Egyéni beszédfelismerés betanítása5: $- számítási óránként |
||
Továbbfejlesztett bővítményfunkciók:
|
Valós idejű: $- óránként és funkciónként | ||
| Beszédfordítás (másodpercalapú számlázás) |
Real-time Speech Translation (Standard) | $- audióóránként3 | |
| Realtime Speech Translation (Live Interpreter) |
Bemeneti hang: $- audióóránként Kimeneti szöveg: $- / 1 millió karakter Kimeneti hang (standard hang): $- hangóránkéntLI Kimeneti hang (egyéni hang): $- hangóránkéntLI |
||
| LLM Speech Translation | $- óránként | ||
| Videófordítás |
Bemeneti videó: $- óránként Kimeneti videó (standard hang): $- óránként Kimeneti videó (személyes hang): $- óránként |
||
| Szöveg beszéddé alakítása7 | Normál hang |
Neural/Neural HD Flash (real-time and batch): $- / 1 millió karakter Neurális HD (valós idejű és kötegelt)4: $- / 1 millió karakter MAI-Voice: $- / 1 millió karakter |
|
| Egyéni beszédhang |
Szakmai hang:
Szintetizálás (valós idejű és kötegelt): $- 1 millió karakterenként
Szintetizálás (neurális hálózat HD és kötegelt): $- 1 millió karakterenként Hangmodell-betanítás: $- számítási óránként, legfeljebb $- betanításonként Végpont-üzemeltetés: $- modellenként és óránként |
||
|
Személyes hang6:
Szintetizálás (valós idejű és kötegelt): $- 1 millió karakterenként
Hanglétrehozás: ingyenes Hangprofil tárterülete: $- 1000 hangprofilonként havonta |
|||
| Text to Speech Add-on feature: Avatar | Standard avatar |
Real-time (Interactive): $- per minute Batch: $- per minute |
|
| Egyéni avatar |
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 Interaktív 4K avatar (valós idejű): $- percenként 4K avatarvideó (kötegelt): $- percenként Avatarmodell betanítása: $- számítási óránként Végpontüzemeltetés: modellenként óránként $- |
|||
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
A beszéd szöveggé alakítására fordított órákat a szolgáltatásnak küldött hangórák alapján mérjük, másodpercekben számlázva.
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.
2Ez a nyilvános előzetes verzió díjszabását tükrözi.
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.
5Az egyéni beszédfelismerés betanítása a 1, 2023. október 1-jén vagy azt követően kiadott alapmodellek testreszabására vonatkozik.
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.
7Szöveg beszéddé alakítása: a beszédszintézis használatának számlázása karakterenként történik. Az avatar számlázása másodpercenként történik. A betanítás és a modellüzemeltetés számlázása másodpercenként történik.
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
LIEz az ár szöveges kimenetet tartalmaz
Commitment Tiers – Standard
| Kategória | Jellemzők | Ár (egy hónapra) | Kerettúllépés |
|---|---|---|---|
| Beszéd szöveggé alakítása | Standard | 2,000 $- óránként | $- óránként |
| 10,000 $- óránként | $- óránként | ||
| 50,000 $- óránként | $- óránként | ||
| Egyéni | 2,000 $- óránként | $- óránként | |
| 10,000 $- óránként | $- óránként | ||
| 50,000 $- óránként | $- óránként | ||
Továbbfejlesztett bővítményfunkciók:2
|
2,000 $- óránként | $- óránként | |
| 10,000 $- óránként | $- óránként | ||
| 50,000 $- óránként | $- óránként | ||
| Szöveg beszéddé alakítása | Neurális1 | $- / 80 millió karakterenként | $- 1 millió karakterenként |
| $- / 400 millió karakterenként | $- 1 millió karakterenként | ||
| $- / 2,000 millió karakterenként | $- 1 millió karakterenként |
1Ez magában foglalja a valós idejű szintetizálást és a kötegelt szintetizálást előre összeállított, nem HD és nem AOAI neurális hangokkal. A HD-hangok, az AOAI-hangok, a egyedi neurális hang és a Személyes hang nem szerepelnek a csomagban.
2Csak valós idejű beszéd szöveggé alakítása, Folyamatos nyelvazonosítás és Diarizálás bővítményfunkciók, amelyek a kötegelt diktálás részét képezik.
Kötelezettségvállalási szintek – Csatlakoztatott tároló
| Kategória | Jellemzők | Ár (egy hónapra) | Kerettúllépés |
|---|---|---|---|
| Beszéd szöveggé alakítása2 | Standard | 2,000 $- óránként | $- óránként |
| 10,000 $- óránként | $- óránként | ||
| 50,000 $- óránként | $- óránként | ||
| Egyéni | 2,000 $- óránként | $- óránként | |
| 10,000 $- óránként | $- óránként | ||
| 50,000 $- óránként | $- óránként | ||
Továbbfejlesztett bővítményfunkciók:2
|
2,000 $- óránként | $- óránként | |
| 10,000 $- óránként | $- óránként | ||
| 50,000 $- óránként | $- óránként | ||
| Szöveg beszéddé alakítása | Neurális1 | $- / 80 millió karakterenként | $- 1 millió karakterenként |
| $- / 400 millió karakterenként | $- 1 millió karakterenként | ||
| $- / 2,000 millió karakterenként | $- 1 millió karakterenként |
1Ez magában foglalja a valós idejű szintetizálást előre összeállított, nem HD és nem AOAI neurális hangokkal. A HD-hangok, az AOAI-hangok és az egyéni hangok (mind a professzionális, mind a személyes hangok) nem szerepelnek a csomagban. A kötegelt szintetizálás nincs belefoglalva.
2A díjszabás a valós idejű és kötegelt használati esetekre vonatkozik. A tárolókhoz nem tartozik külön kötegelt díjszabás.
See the documentation for information on Commitment tiers.
Kötelezettségvállalási szintek – Leválasztott tároló
Sign up to access speech in disconnected containers, or learn more
| Kategória | Jellemzők | Díj (éves) | Maximális használat (éves) | Előre jelzett használat (havi) |
|---|---|---|---|---|
| Beszéd szöveggé alakítása2 | Standard: Realtime & Batch |
$-
$- A hozzáféréshez regisztráljon További információ |
120.000 óra
600.000 óra |
10.000 óra
50.000 óra |
| Standard: Fast Transcription |
$-
A hozzáféréshez regisztráljon További információ |
120.000 óra | 10.000 óra | |
| Custom: Realtime & Batch |
$-
$- A hozzáféréshez regisztráljon További információ |
120.000 óra
600.000 óra |
10.000 óra
50.000 óra |
|
Továbbfejlesztett bővítményfunkciók:
|
$-
$- |
120.000 óra
600.000 óra |
10.000 óra
50.000 óra |
|
| Szöveg beszéddé alakítása | Neurális1 |
$-
$- A hozzáféréshez regisztráljon További információ |
4,8 milliárd karakter
24 milliárd karakter |
400 millió karakter
2000 millió karakter |
1Ez magában foglalja a valós idejű szintetizálást előre összeállított, nem HD és nem AOAI neurális hangokkal. A HD-hangok, az AOAI-hangok és az egyéni hangok (mind a professzionális, mind a személyes hangok) nem szerepelnek a csomagban. A kötegelt szintetizálás nincs belefoglalva.
2A díjszabás a valós idejű és kötegelt használati esetekre vonatkozik. A tárolókhoz nem tartozik külön kötegelt díjszabás.
Ezek a funkciók hamarosan elavulnak, és csak a meglévő ügyfelek használhatják őket. Tekintse meg a részleteket, és ismerje meg, hogyan térhet át az új funkciókra.
| Példány | Kategória | Jellemzők | Ár |
|---|---|---|---|
| Ingyenes - Web/tároló 1 párhuzamos kérés |
Szöveg beszéddé alakítása | Standard | Havonta 5 million millió karakter ingyenes |
| Egyéni |
Havonta 5 million millió karakter ingyenes Végpont-üzemeltetés: Havonta 1 modell ingyenes |
||
| Standard - Web/Container 100 párhuzamos kérés az alapmodellhez 20 párhuzamos kérés az egyéni modellhez |
Szöveg beszéddé alakítása | Standard | $- / 1 millió karakter |
| Egyéni |
$- / 1 millió karakter Végpont-üzemeltetés: $- modellenként és óránként |
Az Azure díjszabása és megvásárlási lehetőségei
Vegye fel velünk a kapcsolatot közvetlenül
Ismerje meg az Azure díjszabását. Megismerheti a felhőmegoldásának díjszabását, információt szerezhet a költségoptimalizálásról, és egyéni ajánlatot is kérhet.
Beszéljen egy értékesítési szakértővelVásárlási lehetőségek
Az Azure-szolgáltatásokat megvásárolhatja az Azure webhelyén, egy Microsoft-képviselőn keresztül vagy egy Azure-partnertől.
Tekintse át a lehetőségeketTovábbi források
Azure AI Beszéd
További információ a(z) Azure AI Beszéd funkcióiról és képességeiről.
Díjkalkulátor
Felmérheti az Azure-termékek bármilyen kombinációjának használatával járó várható havi költségeit.
Dokumentáció
Műszaki oktatóanyagok, videók és más Azure AI Beszéd háttéranyagok.
Gyakori kérdések
-
- A beszéd szöveggé alakítása és a beszédfordítás használatát másodperces alapon számlázzuk.
- 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.
- Szöveg beszéddé alakítása avatar esetében a használatot másodpercenként számlázzuk.
- A beszéd szöveggé alakítása és a szöveg beszéddé alakítása (avatart is beleértve) esetében az egyéni modellek végponti üzemeltetését modellenként másodperces alapon számlázzuk.
-
A beszédszolgáltatással a felhasználók saját akusztikai és nyelvi adataikra épített alapmodelleket alakíthatnak át egyéni beszédmodellekké, amelyek szöveg beszéddé alakítására és beszédfordításra 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.
-
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.
-
A nyelvazonosítás lehetővé teszi a beszélt nyelv váltásának azonosítását és a beszéd ennek megfelelő átírását. Ez olyan esetekben alkalmazható, amikor a hang nyelve ismeretlen, vagy ha a beszélő(k) több nyelven is beszélnek. Az egynyelvű azonosítás további költségek nélkül érhető el. A folyamatos nyelvi azonosítás egy továbbfejlesztett kiegészítő funkció. További információért lásd a dokumentációt.
-
- 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 $-
Az Azure díjszabásának részleteiről érdeklődjön egy értékesítési szakembernél. Ismerje meg a felhőmegoldásának díjszabását.
Ingyenes felhőszolgáltatásokat és egy $200 értékű kreditet kaphat, mellyel 30 napig ismerkedhet az Azure-ral.