Cognitive Services díjszabása – Beszédszolgáltatások

• A tolmácsolás, diktálás és egyéni beszédmodellel történő diktálás használatának díjszabása másodpercalapú.
• A szövegfelolvasás és az egyéni hangtípusú szövegfelolvasás karakterenként lesz számlázva.
• Egyéni beszédmodell üzemeltetése: a számlázás óránként történik; Egyéni hangtípus üzemeltetése: a számlázás naponta történik.
• 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 Speech-modellek betanításáért nem számolunk fel díjat. Az egyetlen költség a modell üzemeltetéséért fizetendő a betanítást követően, továbbá a beszédátírások óránkénti díja.

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 Microsoft beszédszolgáltatásai 40-nél több nyelven 70-nél több alapértelmezett beszédhangot (azaz hangtípust) tartalmaznak, amelyek segítenek a szöveg beszéddé alakításában. A virtuális asszisztensek és különböző hangvezérelt alkalmazások megjelenésével azonban sok vállalat szeretne egyéni, gondosan a saját márkáik jellegéhez igazított hangot üzlete arculatához. Ha például csevegőrobotot fejleszt ügyfélszolgálatához, társíthatja azt a márkára egyedien jellemző hanggal, így erősítve az ügyfelek kötődését. Hasonló módon egy autós navigációs szoftver fejlesztője egyéni hangú szövegfelolvasás lehetővé tételével javíthatja a felhasználói élményt.

Mindez egyszerűen megoldható a Voice Studio, az egyéni hangkészítő portál használatával. Saját hangadatai (emberi hang felvétele a hozzá tartozó szöveggel) alapján egyéni hangtípust generálhat, amely üzembe helyezhető a Microsoft felolvasó szolgáltatásában, és egyszerűen beköthető API-végponttal rendelkező alkalmazásaiba, ahol felhasználhatja azt.