Samlede taletjenester for tale til tekst, tekst til tale og taleoversettelse
De enhetlige Speech-tjenestene gir et bredt spekter av funksjoner for talegjenkjenning og talegenerering, inkludert taletranskripsjon, tekst-til-tale og taleoversettelse.
Se nærmere på prisalternativene
Legg til filtre for å tilpasse prisalternativene til dine behov.
Prisene er bare estimater, og er ikke ment som faktiske pristilbud. De faktiske prisene kan variere avhengig av avtaletypen, som er angitt med Microsoft, kjøpsdatoen og valutakursen. Prisene beregnes basert på amerikanske dollar, og konverteres ved hjelp av London-spotkurser registrert to virkedager før den siste virkedagen i utgangen av forrige måned. Hvis de to virkedagene før slutten av måneden faller på en helligdag i de største markedene, er prissettingsdagen vanligvis dagen umiddelbart før de to virkedagene. Denne satsen gjelder for alle transaksjoner i løpet av den kommende måneden. Logg på priskalkulatoren for Azure for å se priser basert på gjeldende program/tilbud med Microsoft. Kontakt en Azure-salgsspesialist for mer informasjon om priser, eller for å be om et pristilbud. Se vanlige spørsmål om Azure-priser.
Myndighetene i USA er kvalifisert for å kjøpe Azure Government-tjenester fra en lisensløsningsleverandør uten forhåndskostnader, eller direkte via et forbruksbetalt nettabonnement.
Viktig – Prisen i brasilianske real er bare for referanse. Dette er ikke en internasjonal transaksjon, og den endelige prisen avhenger av vekslingskurser og inkludering av IOF-avgifter. Det blir ikke utstedt noen eNF.
Myndighetene i USA er kvalifisert for å kjøpe Azure Government-tjenester fra en lisensløsningsleverandør uten forhåndskostnader, eller direkte via et forbruksbetalt nettabonnement.
Viktig – Prisen i brasilianske real er bare for referanse. Dette er ikke en internasjonal transaksjon, og den endelige prisen avhenger av vekslingskurser og inkludering av IOF-avgifter. Det blir ikke utstedt noen eNF.
Gratis (F0)
| Kategori | Funksjoner | Pris |
|---|---|---|
| Tale til tekst (fakturering per sekund) |
Standard | Sanntidstranskripsjon: 5 lydtimer gratis per måned2 |
| Tilpasset |
Sanntidstranskripsjon: 5 lydtimer gratis per måned2 Drifting av endepunkt: 1 modell gratis per måned1 |
|
| Tekst til tale (fakturering per tegn) |
Nevral | 0.5 million tegn gratis per måned |
| Taleoversettelse (fakturering per sekund) |
Standard | 5 timer lyd gratis per måned |
Se dokumentasjonen for informasjon om kvoter og grenser og instruksjoner om hvordan du øker samtidige forespørsler.
1Ubrukte modeller blir automatisk avviklet etter syv dager.
2Gratis lydtimer for tale til tekst deles mellom Standard og Custom. Batch støttes ikke.
Betal etter forbruk: betal bare for det du bruker
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.
| Kategori | Funksjoner | Pris | |
|---|---|---|---|
| Voice Live Pro (per m-tokenfakturering)VL1 | Tekst |
Inndata: $- Hurtigbufrede inndata: $- Output 1 (gpt-realtime, gpt-4o, gpt-4.1, gpt-5, gpt-5-chat): $- Output 2 (gpt-realtime-2, gpt-realtime-2.1): $- |
|
| Lyd – Standard |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Lyd – egendefinertVL2 |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Innebygd lyd med tale-til-tale-sanntidsmodell |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Bilde |
Inndata: $- Hurtigbufrede inndata: $- |
||
| Voice Live Standard (fakturering per mill. token)VL1 | Tekst |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
|
| Lyd – Standard |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Lyd – egendefinertVL2 |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Innebygd lyd med tale-til-tale-sanntidsmodell |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Voice Live Lite (per million token-fakturering)VL1 | Tekst |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
|
| Lyd – Standard |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Lyd – egendefinertVL2 |
Hurtigbufrede inndata: $- Utdata: $- |
||
| Innebygd lyd med tale-til-tale-sanntidsmodell |
Inndata: $- Hurtigbufrede inndata: $- Utdata: $- |
||
| Voice Live BYO (fakturering per mill. token)VL1 | Lyd – Standard |
Inndata: $- Utdata: $- |
|
| Lyd – egendefinertVL2 |
Inndata: $- Utdata: $- |
||
| Voice Live Avatar (fakturering per minutt) | Avatar-utdata med Voice Live | Belastes gjennom Text to Speech Avatar «interaktiv avatar (sanntid)». Se prislisten for Text to Speech nedenfor for detaljer. | |
VL1Prisnivåene for Voice Live bestemmes av LLM-modellene som utviklere velger. Modeller innenfor hvert nivå kan oppdateres eller avvikles etter hvert som nye alternativer blir tilgjengelige. For å lære mer om hvordan prising for Voice Live API fungerer, klikk her.
VL2Du belastes separat for opplæring og hosting av egendefinert tale og egendefinert stemmemodell. Se prisingen for «Speech to Text – Custom Transcription» og «Text to Speech – Custom Voice – Professional» for detaljer. Egendefinert stemme er en funksjon med begrenset tilgang. Lær mer om hvordan du oppretter egendefinerte stemmer. Ved bruk av MAI-Transcribe gjelder Standard-Audio-prising.
Priser for talemodeller
| Kategori | Funksjoner | Pris | |
|---|---|---|---|
| Tale til tekst (fakturering per sekund) |
Standard transkripsjon |
Transkripsjon i sanntid: $- per time Rask transkripsjon: $- per time8 MAI Transcribe-2: $- per time10 MAI Transcribe-1.5: $- per time Partitranskripsjon: $- per time1 |
|
| LLM Speech Transcription | $- per time | ||
| Egendefinert transkripsjon |
Transkripsjon i sanntid: $- per time Partitranskripsjon: $- per time1 Drifting av endepunkt: $- per modell per time Tilpasset taleopplæring5: $- per datatime |
||
Forbedrede tilleggsfunksjoner:
|
Sanntid: $- per time per funksjon | ||
| Taleoversettelse (fakturering per sekund) |
Real-time Speech Translation (Standard) | $- per time med lyd3 | |
| Realtime Speech Translation (Live Interpreter) |
Lyd inn: $- per time med lyd Tekst ut: $- per 1 mill. tegn Lyd ut (standardstemme): $- per lydtimeLI Lyd ut (egendefinert stemme): $- per lydtimeLI |
||
| LLM Speech Translation | $- per time | ||
| Videooversettelse |
Inndatavideo: $- per time Utdatavideo (standard stemme): $- per time Utdatavideo (personlig stemme): $- per time |
||
| Tekst til tale7 | Standardstemme |
Neural/Neural HD Flash (sanntid og satsvis): $- per 1 mill. tegn Nevral HD (sanntid og bunke)4: $- per 1 mill. tegn MAI-Voice: $- per 1 mill. tegn |
|
| Custom Voice |
Profesjonell stemme:
Syntese (sanntid og bunke): $- per 1M tegn
Syntese (nevral HD sanntid og parti): $- per 1 million tegn Opplæring av talemodell: $- per datatime, opptil $- per opplæring Drifting av endepunkt: $- per modell per time |
||
|
Personlig tale6:
Syntese (sanntid og bunke): $- per 1M tegn
Taleoppretting: gratis Taleprofillagring: $- per 1000 taleprofiler per måned |
|||
| Tekst-til-tale-tilleggsfunksjon: Avatar | Standard avatar |
Sanntid (interaktiv): $- per minutt Satsvis: $- per minutt |
|
| Egendefinert avatar |
Fotoavatar:
Sanntid (interaktiv): $- per minutt
Satsvis: $- per minutt Fotoavataroppretting: $- per avatar |
||
|
Videoavatar:
Sanntid (interaktiv): $- per minutt
Satsvis: $- per minutt Interaktiv 4K-avatar (sanntid): $- per minutt 4K-avatarvideo (parti): $- per minutt Opplæring av avatarmodeller: $- per datatime Endepunktdrifting: $- per modell per time |
|||
Se dokumentasjonen for informasjon om kvoter og grenser og instruksjoner om hvordan du øker samtidige forespørsler.
Tale til teksttimer måles som timene med lyd som sendes til tjenesten, fakturert i andre intervaller.
1For å dra nytte av denne nye prissettingen for massetranskripsjon, må du bruke REST API-et for Tale til tekst V3.2 eller nyere. Se REST API-et for Tale til tekst for mer informasjon.
2Dette gjenspeiler priser for offentlig forhåndsvisning.
3Denne prisen inkluderer 1 lydinndata og -utdata, opptil 2 språk for tekstoversettelse ved hjelp av standard eller egendefinert Tale til tekst og standard Oversettelse. For egendefinert oversettelse eller 3+ oversettelsesspråk, se prissiden for Azure Translator i Foundry Tools Text Translation.
4Utvalgte tekst-til-tale-stemmer er tilgjengelige gjennom to modellvarianter: Nevral og Nevral HD. Mer informasjon her.
5Tilpasset taleopplæring gjelder når du tilpasser en basismodell utgitt på eller etter 1. oktober 2023.
6Personal Voice er en begrenset tilgangsfunksjon begrenset til bestemte bare forhåndsgodkjente brukstilfeller, med et behov for å søke om tilgang. Hvis du vil vite mer om tjenesten, kan du se dokumentet.
7Tekst til tale: bruk av talesyntetisering faktureres per tegn. Avataren faktureres per sekund. Opplæring og modelldrifting faktureres per sekund.
8For å bruke Fast Transcription må du bruke Speech to text REST API 2024-11-15 eller nyere versjoner. Se REST API-et for Tale til tekst for mer informasjon.
9LLM Speech deler for øyeblikket samme pris og SKU-ID med Fast Transcription.
10Limited-time promotional offer till 12/31/2026
LIDenne prisen inkluderer tekstutdata
Forpliktelsesnivåer – standard
| Kategori | Funksjoner | Pris (per måned) | Overforbruk |
|---|---|---|---|
| Tale til tekst | Standard | $- i 2,000 timer | $- per time |
| $- i 10,000 timer | $- per time | ||
| $- i 50,000 timer | $- per time | ||
| Tilpasset | $- i 2,000 timer | $- per time | |
| $- i 10,000 timer | $- per time | ||
| $- i 50,000 timer | $- per time | ||
Forbedrede tilleggsfunksjoner:2
|
$- i 2,000 timer | $- per time | |
| $- i 10,000 timer | $- per time | ||
| $- i 50,000 timer | $- per time | ||
| Tekst til tale | Nevral1 | $- for 80 millioner tegn | $- per 1 millioner tegn |
| $- for 400 millioner tegn | $- per 1 millioner tegn | ||
| $- for 2,000 millioner tegn | $- per 1 millioner tegn |
1Dette inkluderer både sanntidssyntese og bunkesyntese med forhåndsbygde nevrale stemmer som ikke er HD eller AOAI. HD-stemmer, AOAI-stemmer, egendefinert nevralstemme og personlig stemme er ikke inkludert.
2Kun tale til tekst i sanntid, tilleggsfunksjoner for kontinuerlig språkidentifisering og diarisering inkludert med satsvis tale til tekst.
Forpliktelsesnivåer – tilkoblet beholder
| Kategori | Funksjoner | Pris (per måned) | Overforbruk |
|---|---|---|---|
| Tale til tekst2 | Standard | $- i 2,000 timer | $- per time |
| $- i 10,000 timer | $- per time | ||
| $- i 50,000 timer | $- per time | ||
| Tilpasset | $- i 2,000 timer | $- per time | |
| $- i 10,000 timer | $- per time | ||
| $- i 50,000 timer | $- per time | ||
Forbedrede tilleggsfunksjoner:2
|
$- i 2,000 timer | $- per time | |
| $- i 10,000 timer | $- per time | ||
| $- i 50,000 timer | $- per time | ||
| Tekst til tale | Nevral1 | $- for 80 millioner tegn | $- per 1 millioner tegn |
| $- for 400 millioner tegn | $- per 1 millioner tegn | ||
| $- for 2,000 millioner tegn | $- per 1 millioner tegn |
1Dette inkluderer sanntidssyntese med forhåndsbygde nevrale stemmer som ikke er HD eller AOAI. HD-stemmer, AOAI-stemmer og egendefinerte stemmer (både profesjonelle og personlige stemmer) er ikke inkludert. Bunkesyntese er ikke inkludert.
2Priser gjelder for tilfeller av sanntids- og bunkebruk. Det finnes ingen separate satsvise priser for beholdere.
Se dokumentasjonen for informasjon om forpliktelsesnivåer.
Forpliktelsesnivåer – frakoblet beholder
Registrer deg for å få tilgang til tale i frakoblede beholdere eller finne ut mer
| Kategori | Funksjoner | Pris (per år) | Maksimal bruk (per år) | Forventet bruk (per måned) |
|---|---|---|---|---|
| Tale til tekst2 | Standard: Realtime & Batch |
$-
$- Registrer deg for å få tilgang Finn ut mer |
120 000 timer
600 000 timer |
10 000 timer
50 000 timer |
| Standard: Fast Transcription |
$-
Registrer deg for å få tilgang Finn ut mer |
120 000 timer | 10 000 timer | |
| Custom: Realtime & Batch |
$-
$- Registrer deg for å få tilgang Finn ut mer |
120 000 timer
600 000 timer |
10 000 timer
50 000 timer |
|
Forbedrede tilleggsfunksjoner:
|
$-
$- |
120 000 timer
600 000 timer |
10 000 timer
50 000 timer |
|
| Tekst til tale | Nevral1 |
$-
$- Registrer deg for å få tilgang Finn ut mer |
4,8 milliarder tegn
24 milliarder tegn |
400 millioner tegn
2 milliarder tegn |
1Dette inkluderer sanntidssyntese med forhåndsbygde nevrale stemmer som ikke er HD eller AOAI. HD-stemmer, AOAI-stemmer og egendefinerte stemmer (både profesjonelle og personlige stemmer) er ikke inkludert. Bunkesyntese er ikke inkludert.
2Priser gjelder for tilfeller av sanntids- og bunkebruk. Det finnes ingen separate satsvise priser for beholdere.
Disse funksjonene avskrives og er bare tilgjengelige for eksisterende kunder å bruke. Kontroller detaljer og finn ut hvordan du overfører til nye funksjoner.
| Forekomst | Kategori | Funksjoner | Pris |
|---|---|---|---|
| Gratis - Nett/beholder 1 samtidig forespørsel |
Tekst til tale | Standard | 5 million tegn gratis per måned |
| Tilpasset |
5 million tegn gratis per måned Drifting av endepunkt: 1 modell gratis per måned |
||
| Standard – nett/beholder 100 samtidige forespørsler for basismodell 20 samtidige forespørsler for egendefinert modell |
Tekst til tale | Standard | $- per 1 mill. tegn |
| Tilpasset |
$- per 1 mill. tegn Drifting av endepunkt: $- per modell per time |
Alternativer for Azure-priser og -kjøp
Få direkte kontakt med oss
Få en gjennomgang av Azure-priser. Forstå prisingen for skyløsningen din, lær om kostnadsoptimalisering og be om et egendefinert forslag.
Snakk med en selgerSe måter å kjøpe på
Kjøp Azure-tjenester via Azure-nettstedet, en Microsoft-representant eller en Azure-partner.
Se nærmere på alternativene dineFlere ressurser
Azure AI Speech
Les mer om Azure AI Speech funksjoner og evner.
Priskalkulator
Beregn de forventede månedlige kostnadene ved å bruke en hvilken som helst kombinasjon av Azure-produkter.
Dokumentasjon
Se gjennom tekniske opplæringer, videoer og flere Azure AI Speech ressurser.
Vanlige spørsmål
-
- For Tale til tekst og taleoversettelse faktureres bruken i intervaller på ett sekund.
- For tekst-til-tale: bruk faktureres per tegn. Kontroller definisjonen av tegn i prisnotatet.
- For egendefinert nevralstemmevert: Bruk faktureres per endepunkt per sekund. Sjekk detaljer i prisnotat.
- For personlig lagring av taleprofil: bruk faktureres per taleprofil per dag. Sjekk detaljer i prisnotat.
- For tekst-til-tale-avatar faktureres bruken per sekund.
- For Tale til tekst og Tekst til tale (inkludert Avatar) faktureres endepunktdrifting for egendefinerte modeller per sekund per modell.
-
Ved hjelp av taletjenesten kan brukere tilpasse grunnmodeller basert på sine egne akustikk- og språkdata, og dermed få egendefinerte talemodeller som kan brukes både i tale til tekst og taleoversettelse.
-
Språkmodellen er en sannsynlighetsfordeling over sekvenser av ord. Språkmodellen lar systemet velge mellom sekvenser av ord som høres nesten like ut, basert på sannsynligheten for selve ordsekvensene. Eksempler (på engelsk): “recognize speech” og “wreck a nice beach” høres likt ut, men fordi det er mye mer sannsynlig at det første utsagnet forekommer, vil det tildeles en høyere poengsum av språkmodellen. Hvis du forventer at talespørringer til ditt program vil inneholde bestemte ord, for eksempel produktnavn eller en sjargong som sjelden forekommer i vanlig tale, kan du sannsynligvis forbedre ytelsen ved å tilpasse språkmodellen. Hvis du for eksempel bygger en app som søker i MSDN ved hjelp av stemmen, er det sannsynlig at uttrykk som “objektorientert” eller “navneområde” eller “punktum net” forekommer oftere enn i vanlige taleprogrammer. Når språkmodellen tilpasses, kan systemet lære dette.
-
Den akustiske modellen er en klassifiserer, som merker korte lydfragmenter som ett av flere fonemer, eller lydenheter, i hvert språk. Disse fonemene kan deretter slås sammen for å danne ord. Det engelske ordet “speech” består for eksempel av fire fonemer, “s p iy ch”. Disse klassifiseringene utføres inntil 100 ganger per sekund. Hvis den akustiske modellen tilpasses, kan systemet lære å gjøre en bedre jobb med å gjenkjenne tale i atypiske miljøer. Hvis du for eksempel har en app som er laget for å brukes av arbeidere i et varehus eller en fabrikk, kan en tilpasset akustisk modell føre til at tale gjenkjennes mer presist i nærheten av den støyen man finner i disse miljøene.
-
Taletjeneste tilbyr et bredt spekter av TTS (tekst-til-tale)-stemmetyper, men egendefinert nevralstemme lar deg bygge din egendefinerte stemme som passer dine behov og ditt varemerke. Les bloggen for mer informasjon.
-
Språkgjenkjenning lar deg identifisere en veksling i talespråk og transkribere tale i henhold til det. Dette kan brukes i situasjoner der språket i lyden er ukjent, eller når taler(e) kan snakke flere språk. Identifisering av ett språk er tilgjengelig uten ekstra kostnad. Kontinuerlig språkgjenkjenning er en forbedret tilleggsfunksjon. Gå til dokumenter for å finne ut mer.
-
- Uttalevurdering evaluerer uttale og gir talere tilbakemelding angående nøyaktigheten og flyten av språket. Med uttalevurdering kan personer som lærer et nytt språk, øve, få umiddelbar tilbakemelding og forbedre uttalen, slik at de kan snakke og kommunisere med selvsikkerhet. Lærere kan bruke funksjonen til å evaluere uttalen til flere elever i sanntid. Gå til dokumenter for å finne ut mer.
- Den belastes som standard Tale til tekst, for eksempel:
Du blir belastet rundt åtte sekunder for evaluering av åtte sekunder med tale.$-
Snakk med en selger for å få en gjennomgang av Azure-prisene. Forstå prisene for skyløsningen din.
Få gratis skytjenester og $200 i kredit til å utforske Azure i 30 dager.