Azure AI Speech の価格

• Speech to TextとSpeech Translationの場合、使用量は 1 秒の増分単位で課金されます。
• Text to Speechの場合: 使用量は文字ごとに課金されます。価格ノートの文字の定義を確認します。
• カスタム ニューラル音声ホスティングの場合: 使用量はエンドポイントごとに 1 秒単位で課金されます。「価格に関する注意」で詳細を確認してください。
• パーソナル音声プロファイル ストレージの場合: 使用量は音声プロファイルごとに 1 日単位で課金されます。「価格に関する注意」で詳細を確認してください。
• テキスト読み上げアバターの場合、使用量は 1 秒単位で課金されます。
• 音声テキスト変換とテキスト読み上げ (アバターを含む) の場合、カスタム モデルのエンドポイント ホスティングは、モデルごとに 1 秒単位で課金されます。

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。

Speech サービスにはさまざまなテキスト読み上げ (TTS) 音声フォントが用意されていますが、カスタム ニューラル音声を使用すると、お客様のニーズやブランドに合ったお客様独自のカスタム音声を構築することができます。詳細についてはブログ記事をご覧ください。

言語の切り替えを識別し、それに応じて音声を文字起こしできます。これは、オーディオ言語が不明なシナリオや、話者が複数の言語を話す場合に適用できます。単一言語識別は追加料金なしで利用できます。継続的言語識別は、強化されたアドオン機能です。詳細については、ドキュメントを参照してください。

• 発音評価では、音声の発音を評価し、話者に音声の正確さと流暢さに関するフィードバックを提供します。発音評価を使用すると、語学学習者は練習し、即座にフィードバックを得て、自信を持って話したり発表したりできるように発音を改善することができます。教育者は、複数の話者の発音をリアルタイムで評価する機能を使用できます。詳細については、ドキュメントをご覧ください。
• 標準の Speech to Text として課金されます。例:
  8 秒のスピーチの評価の場合、約 $- の料金がかかります