Cognitive Services の価格—Speech Services

• Speech Translation、Speech to Text、Custom Speech Model を使用した Speech to Text の場合: 1 秒単位で課金されます。
• Text to Speech および Custom Voice Font を使用した Text to Speech の場合: 1 文字単位で課金されます。
• カスタム音声モデルのホスティングの場合は 1 時間ごと、Custom Voice フォントのホスティングの場合は 1 日単位で課金されます。
• Custom Commands の場合: 課金は、Speech to Text、Text to Speech、Language Understanding の使用として追跡されます。Custom Commands では、新しい課金の測定は導入されません。
• 音声モデルのトレーニングには料金は発生しません。トレーニングが完了した後のモデルのホストのホスト、およびその後の音声の文字起こしの 1 時間あたりのコストのみが発生します。

Speech Servicesでは、ユーザーの音響データと言語データに基づいてベースラインとなるモデルを調整し、音声テキスト変換と音声翻訳のどちらにも使えるカスタム音声モデルを作成できます。

言語モデルは、一連の単語における確率分布を表すものです。言語モデルにより、一連の単語の中から、単語系列自体の確率に基づいて音が似ている単語を選択できます。たとえば、“recognize speech” と “wreck a nice beach” の音は似ていますが、前者の仮定の発生確率の方がはるかに大きいため、言語モデルが付けるスコアは大きくなります。アプリケーションに対する音声クエリに、通常の音声ではめったに使われない製品名や専門用語などの特定の語彙が含まれると予想される場合は、言語モデルをカスタマイズすることでパフォーマンスの改善を実現できる可能性があります。たとえば、音声により MSDN を検索するアプリを作成する場合、通常の音声アプリケーションよりも “オブジェクト指向” や “名前空間”、“Dot Net” などの用語が使われる可能性は高いと考えられます。言語モデルのカスタマイズにより、システムにこうした状況を学習させることができます。

音響モデルとは、音声の短い断片を各言語のいくつかの音素、つまり音声単位に分類する分類器です。分類後、これらの音声をつなぎ合わせて語句にすることができます。たとえば、“speech” という単語は “s p iy ch” という 4 つの音素で構成されています。こうした分類は、1 秒あたり 100 回程度行われます。音響モデルをカスタマイズすることでシステムを学習し、特殊な環境における音声をより良く認識させることができます。たとえば、倉庫や工場の作業者用に設計したアプリがある場合、音響モデルをカスタマイズして、こうした環境で発生する騒音の中で音声をより正確に認識することができます。

Microsoft のSpeech Servicesビスでは、既定の音声 (音声フォント) が 70 種類以上用意されており、40 以上の言語でテキストを音声に変換できます。もっとも、バーチャル アシスタントをはじめ、音声認識を使用するさまざまなアプリケーションが流行している現在では、自社のブランド アイデンティティに合わせて入念に設計した独自の音声を使用したいと考える企業が多いのも事実です。たとえば、カスタマー ケア サービスのためのチャット ボットを開発している場合であれば、自社のブランドを反映した独自の音声を関連付けることによって、お客様からの好感度を高めることができるでしょう。同じように、カーナビ ソフトウェアを開発している場合であれば、テキスト読み上げをさまざまなカスタム音声に対応させることによって、ユーザー エクスペリエンスを充実させることができます。

Voice Studio (カスタム音声作成ポータル) では、このようなことが簡単に行なえます。独自のオーディオ データ (人間の声を録音したデータとそのスクリプト) を使えば、カスタム音声フォントを生成できます。生成したカスタム音声フォントは Microsoft のテキスト読み上げサービスにデプロイし、API エンドポイントを備えたアプリケーションに簡単にプラグインして利用できます。