Cennik usługi Mowa platformy Azure AI

Ujednolicone usługi przetwarzania mowy umożliwiające zamianę mowy na tekst i tekstu na mowę oraz tłumaczenie mowy

Ujednolicone usługi mowy oferują szeroką gamę możliwości generowania i rozpoznawania mowy, takich jak na przykład transkrypcja mowy, zamiana tekstu na mowę i tłumaczenie mowy. Usługi mowy oferują szeroką gamę możliwości generowania i rozpoznawania mowy, takich jak na przykład transkrypcja mowy, zamiana tekstu na mowę, tłumaczenie mowy i rozpoznawanie osoby mówiącej.

Eksplorowanie opcji cennika

Zastosuj filtry, aby dostosować opcje cennika do własnych potrzeb.

Ceny są jedynie szacunkowe i nie stanowią rzeczywistych ofert cenowych. Rzeczywiste ceny mogą się różnić w zależności od typu umowy zawartej z firmą Microsoft, daty zakupu i kursu wymiany walut. Ceny są obliczane na podstawie kursu dolara amerykańskiego i przeliczane przy użyciu londyńskich kursów zamknięcia typu spot z dwóch dni roboczych przed ostatnim dniem roboczym końca poprzedniego miesiąca. Jeżeli dwa dni robocze poprzedzające koniec miesiąca przypadają na dni świąteczne na głównych rynkach, dniem ustalenia kursu jest zazwyczaj dzień bezpośrednio poprzedzający te dwa dni robocze. Ten kurs dotyczy wszystkich transakcji w nadchodzącym miesiącu. Zaloguj się do kalkulatora cen platformy Azure, aby zobaczyć ceny na podstawie bieżącego programu/oferty firmy Microsoft. Skontaktuj się ze specjalistą ds. sprzedaży platformy Azure, aby uzyskać więcej informacji na temat cen lub poprosić o wycenę. Zobacz często zadawane pytania dotyczące cen platformy Azure.

Region:

Waluta:

Bezpłatna (F0)

Sprawdź dokumentację, aby uzyskać informacje dotyczące przydziałów, limitów i instrukcje dotyczące sposobu zwiększania liczby równoczesnych żądań.

¹Nieużywane modele zostaną automatycznie zlikwidowane po 7 dniach.

²Rozpoznawanie osoby mówiącej jest funkcją z ograniczonym dostępem wymagającą składania wniosku w celu uzyskania dostępu.

³Bezpłatne godziny audio dla zamiany mowy na tekst są współużytkowane między warstwami Standardowa i Niestandardowa. Usługa Batch nie jest obsługiwana.
Kategoria	Funkcje	Cena
Zamiana mowy na tekst (rozliczenia za sekundę)	Standard	Bezpłatne godziny audio na miesiąc: 5³
	Niestandardowe	Bezpłatne godziny audio na miesiąc: 5³ Hosting punktów końcowych: 1 bezpłatny model na miesiąc¹
	Transkrypcja konwersacji — wielokanałowe audio ^{WERSJA ZAPOZNAWCZA}	Bezpłatne godziny audio na miesiąc: 5
Zamiana tekstu na mowę (rozliczenia za znak)	Neuronowa	Bezpłatne znaki na miesiąc: 0.5 million
Tłumaczenie mowy (rozliczenia za sekundę)	Standardowa	Bezpłatne godziny audio na miesiąc: 5
Rozpoznawanie osoby mówiącej (rozliczanie za transakcję)	Weryfikacja osoby mówiącej²	Bezpłatne transakcje miesięcznie: 10,000
	Identyfikacja osoby mówiącej²	Bezpłatne transakcje miesięcznie: 10,000
	Magazyn profilu usługi Voice	Bezpłatne transakcje miesięcznie: 10,000

Płać zgodnie z rzeczywistym użyciem: płać tylko za to, czego używasz.

Sprawdź dokumentację, aby uzyskać informacje dotyczące przydziałów, limitów i instrukcje dotyczące sposobu zwiększania liczby równoczesnych żądań.

Godziny zamiany mowy na tekst są mierzone jako godziny audio wysyłanego do usługi, rozliczane w przyrostach sekundowych.

¹Aby skorzystać z tego nowego cennika transkrypcji wsadowej, musisz użyć interfejsu API REST zamiany mowy na tekst w wersji 3.2 lub nowszej. Aby uzyskać informacje, zobacz Interfejs API REST zamiany mowy na tekst.

²Odzwierciedla to ceny publicznej wersji zapoznawczej.

³Ta cena obejmuje 1 wejście i wyjście audio, maksymalnie 2 języki tłumaczenia tekstu przy użyciu standardowej lub niestandardowej zamiany mowy na tekst i standardowego tłumaczenia. W przypadku tłumaczenia niestandardowego lub ponad 3 języków tłumaczenia zapoznaj się ze stroną cen tłumaczenia tekstu w Tłumaczu platformy Azure AI..

⁴Głosy zamiany tekstu na mowę są dostępne w dwóch wariantach modelu: Neuronowy i Neuronowy HD. Dowiedz się więcej tutaj.

⁵Niestandardowe trenowanie mowy ma zastosowanie podczas dostosowywania dowolnego modelu podstawowego wydanego 1 października 2023 r. lub później.

⁶Głos osobisty to funkcja ograniczonego dostępu dedykowana wyłącznie określonym wstępnie zatwierdzonym przypadkom użycia, co wymaga składania wniosku o dostęp. Aby dowiedzieć się więcej o usłudze, sprawdź dokumentację.

⁷Rozpoznawanie osoby mówiącej jest funkcją z ograniczonym dostępem wymagającą składania wniosku w celu uzyskania dostępu.

⁸Zamiana tekstu na mowę: opłaty za użycie syntezy mowy są naliczane za znak. Opłaty za awatara są naliczane na sekundę. Opłaty za szkolenie i hosting modelu są naliczane na sekundę.

⁹Aby korzystać z szybkiej transkrypcji, musisz użyć interfejsu API REST zamiany mowy na tekst w wersji 2024-05-15-preview lub nowszej. Aby uzyskać informacje, zobacz Interfejs API REST zamiany mowy na tekst.
Kategoria	Cena
Zamiana mowy na tekst (rozliczenia za sekundę)	Standard	Transkrypcja w czasie rzeczywistym: $- za godz. Szybka transkrypcja: $- za godz.⁹ Transkrypcja wsadowa: $- za godz.¹
	Niestandardowe	Transkrypcja w czasie rzeczywistym: $- za godz. Transkrypcja wsadowa: $- za godz.¹ Hosting punktów końcowych: $- za model na godzinę Niestandardowe trenowanie mowy⁵: $- za godzinę obliczeniową
	Rozszerzone funkcje dodatku: Ciągła identyfikacja języka Diaryzacja Ocena wymowy (prozodia, gramatyka, słownictwo, temat)	Czas rzeczywisty: $- na godzinę na funkcję Partia zadań (ciągła identyfikacja języka, integracja): uwzględniona w warstwie Standardowa/Niestandardowa (bez dodatkowych opłat)
	Transkrypcja konwersacji — wielokanałowe audio ^{WERSJA ZAPOZNAWCZA}	$- za godz.²
Tłumaczenie mowy (rozliczenia za sekundę)	Tłumaczenie mowy w czasie rzeczywistym	$- za godzinę audio³
Tłumaczenie mowy (rozliczenia za sekundę)	Tłumaczenie wideo^{Wersja zapoznawcza}	Partia: $- na minutę wideo wyjściowego Edytowanie zawartości: $- na minutę wideo wyjściowego Głos osobisty: $- na minutę wideo wyjściowego
Zamiana tekstu na mowę⁸	Głos standardowy	Neuronowe (w czasie rzeczywistym i partia): $- za 1 mln znaków Neuronowy HD (w czasie rzeczywistym i partia)⁴: $- za 1 mln znaków
	Custom Voice	Profesjonalny głos: Synteza (w czasie rzeczywistym i partia): $- na 1 mln znaków Trenowanie modelu głosu: $- za godzinę obliczeniową do $- za trenowanie Hosting punktów końcowych: $- za model na godzinę
	Custom Voice	Głos osobisty⁶: Synteza (w czasie rzeczywistym i partia): $- na 1 mln znaków Tworzenie modelu głosu: bezpłatnie Magazyn profilów głosowych: $- na 1000 profilów głosowych miesięcznie
	Rozszerzone funkcje dodatku: awatar	Standard: Awatar interakcyjny (w czasie rzeczywistym): $- na minutę Wideo awatara (partia): $- na minutę
	Rozszerzone funkcje dodatku: awatar	Niestandardowe: Trenowanie modelu awatarów: $- za godzinę obliczeniową Awatar interakcyjny (w czasie rzeczywistym): $- na minutę Wideo awatara (partia): $- na minutę Hosting punktów końcowych: $- na model na godzinę
Rozpoznawanie osoby mówiącej (rozliczanie za transakcję)	Weryfikacja osoby mówiącej⁷	$- za 1,000 transakcji
	Identyfikacja osoby mówiącej⁷	$- za 1,000 transakcji
	Magazyn profilu usługi Voice	$- za następującą liczbę profili głosu: 1,000 (liczba bezpłatnych profili głosu miesięcznie: 10,000)

Warstwy zobowiązania — Azure — Standardowa

Kategoria	Funkcje	Cena (miesięcznie)	Nadwyżka
Zamiana mowy na tekst	Standard	$- za 2,000 godz.	$- za godzinę
		$- za 10,000 godz.	$- za godzinę
		$- za 50,000 godz.	$- za godzinę
	Niestandardowe	$- za 2,000 godz.	$- za godzinę
		$- za 10,000 godz.	$- za godzinę
		$- za 50,000 godz.	$- za godzinę
	Rozszerzone funkcje dodatku:² Ciągła identyfikacja języka Diaryzacja Ocena wymowy (prozodia, gramatyka, słownictwo, temat)	$- za 2,000 godz.	$- za godzinę
		$- za 10,000 godz.	$- za godzinę
		$- za 50,000 godz.	$- za godzinę
Zamiana tekstu na mowę	Neuronowa¹	$- za 80 mln znaków	$- na 1 mln znaków
		$- za 400 mln znaków	$- na 1 mln znaków
		$- za 2,000 mln znaków	$- na 1 mln znaków

¹Obejmuje to zarówno syntezę w czasie rzeczywistym, jak i syntezę partii z wstępnie utworzonymi głosami neuronowymi innymi niż HD i AOAI. Głosy HD, głosy AOAI, niestandardowy neuronowy model głosu i głos osobisty nie są dołączone.

²Funkcje dodatku Zamiana mowy na tekst w czasie rzeczywistym, Ciągła identyfikacja języka i Diaryzacja zawarte w funkcji zamiany mowy na tekst partii.

Warstwy zobowiązania — połączony kontener

Kategoria	Funkcje	Cena (miesięcznie)	Nadwyżka
Zamiana mowy na tekst²	Standard	$- za 2,000 godz.	$- za godzinę
		$- za 10,000 godz.	$- za godzinę
		$- za 50,000 godz.	$- za godzinę
	Niestandardowe	$- za 2,000 godz.	$- za godzinę
		$- za 10,000 godz.	$- za godzinę
		$- za 50,000 godz.	$- za godzinę
	Rozszerzone funkcje dodatku:² Identyfikacja języka Diaryzacja	$- za 2,000 godz.	$- za godzinę
		$- za 10,000 godz.	$- za godzinę
		$- za 50,000 godz.	$- za godzinę
Zamiana tekstu na mowę	Neuronowa¹	$- za 80 mln znaków	$- na 1 mln znaków
		$- za 400 mln znaków	$- na 1 mln znaków
		$- za 2,000 mln znaków	$- na 1 mln znaków

¹Obejmuje to syntezę w czasie rzeczywistym za pomocą wstępnie utworzonych głosów neuronowych innych niż HD i AOAI. Głosy HD, głosy AOAI i głosy niestandardowe (zarówno głosy profesjonalne, jak i osobiste) nie są dołączone. Synteza partii nie jest uwzględniona.

²Ceny dotyczą przypadków użycia w czasie rzeczywistym i w partiach. Brak oddzielnych cen partii dla kontenerów.

Zobacz dokumentację, aby uzyskać informacje na temat warstw zobowiązań.

Warstwy zobowiązania — odłączony kontener

Zarejestruj się, aby uzyskać dostęp do mowy w odłączonych kontenerach, lub dowiedz się więcej

Kategoria	Funkcje	Cena (na rok)	Maksymalne użycie (na rok)	Przewidywane użycie (na miesiąc)
Zamiana mowy na tekst²	Standard	$- $- Zarejestruj się, aby uzyskać dostęp Dowiedz się więcej	120 000 godzin 600 000 godzin	10 000 godzin 50 000 godzin
	Niestandardowe	$- $- Zarejestruj się, aby uzyskać dostęp Dowiedz się więcej	120 000 godzin 600 000 godzin	10 000 godzin 50 000 godzin
	Rozszerzone funkcje dodatku: Identyfikacja języka Diaryzacja	$- $-	120 000 godzin 600 000 godzin	10 000 godzin 50 000 godzin
Zamiana tekstu na mowę	Neuronowa¹	$- $- Zarejestruj się, aby uzyskać dostęp Dowiedz się więcej	4,8 mld znaków 24 mld znaków	400 mln znaków 2000 mln znaków

¹Obejmuje to syntezę w czasie rzeczywistym za pomocą wstępnie utworzonych głosów neuronowych innych niż HD i AOAI. Głosy HD, głosy AOAI i głosy niestandardowe (zarówno głosy profesjonalne, jak i osobiste) nie są dołączone. Synteza partii nie jest uwzględniona.

²Ceny dotyczą przypadków użycia w czasie rzeczywistym i w partiach. Brak oddzielnych cen partii dla kontenerów.

Te funkcje są przestarzałe i pozostają dostępne tylko dla istniejących klientów. Sprawdź szczegóły i dowiedz się, jak przeprowadzić migrację do nowych funkcji.

Wystąpienie	Kategoria	Funkcje	Cena
Bezpłatnie - Internet/kontener Równoczesne żądania: 1	Zamiana tekstu na mowę	Standard	Bezpłatne znaki na miesiąc: 5 million
Bezpłatnie - Internet/kontener Równoczesne żądania: 1	Zamiana tekstu na mowę	Niestandardowe	Bezpłatne znaki na miesiąc: 5 million Hosting punktów końcowych: 1 bezpłatny model na miesiąc
Standardowa — internet/kontener 100 współbieżnych żądań dla modelu podstawowego 20 współbieżnych żądań dla modelu niestandardowego	Zamiana tekstu na mowę	Standard	$- za 1 mln znaków
	Zamiana tekstu na mowę	Niestandardowe	$- za 1 mln znaków Hosting punktów końcowych: $- za model na godzinę

Opcje cen i zakupu platformy Azure

Skontaktuj się z nami bezpośrednio

Zapoznaj się z przewodnikiem dotyczącym cen platformy Azure. Poznaj ceny rozwiązania w chmurze, dowiedz się więcej o optymalizacji kosztów i poproś o ofertę niestandardową.

Rozmowa ze specjalistą ds. sprzedaży

Zobacz sposoby zakupu

Kup usługi platformy Azure za pośrednictwem witryny internetowej platformy Azure, przedstawiciela firmy Microsoft lub partnera platformy Azure.

Poznaj swoje opcje

Dodatkowe zasoby

Często zadawane pytania

Często zadawane pytania dotyczące cennika platformy Azure

- W przypadku funkcji Zamiana mowy na tekst i Tłumaczenie mowy użycie jest rozliczane w jednosekundowych przyrostach.
- W przypadku zamiany tekstu na mowę: użycie jest rozliczane za znak. Sprawdź definicję znaku w notatce o cenach.
- W przypadku hostowania niestandardowego neuronowego modelu głosu: opłaty za użycie są naliczane za punkt końcowy na sekundę. Sprawdź szczegóły w uwagach dotyczących cen.
- W przypadku osobistego magazynu profilów głosowych: opłaty za użycie są naliczane dziennie za profil głosowy. Sprawdź szczegóły w uwagach dotyczących cen.
- W przypadku awatara zamiany tekstu na mowę użycie jest rozliczane na sekundę.
- W przypadku zamiana mowy na tekst i zamiany tekstu na mowę (w tym Awatara) hosting punktów końcowych na potrzeby modeli niestandardowych jest rozliczany za sekundę dla danego modelu.
Usługa mowy umożliwia użytkownikom adaptowanie modeli będących punktem odniesienia w oparciu o własne dane akustyczne i dotyczące języka, co prowadzi do opracowywania niestandardowych modeli mowy, których można używać względem opcji Zamiana mowy na tekst i Tłumaczenie mowy.
Model języka to rozkład prawdopodobieństwa dla sekwencji słów. Model języka pomaga systemowi wybierać między sekwencjami słów, które brzmią podobnie, na podstawie prawdopodobieństwa wystąpienia danych sekwencji. Na przykład sekwencje „rozpoznawanie mowy” i „ospo zna Wanię nowy” brzmią podobnie, ale pierwsza hipoteza jest znacznie bardziej prawdopodobna i dlatego model języka przypisze jej wyższą ocenę. Jeśli oczekujesz, że do aplikacji będą kierowane zapytania głosowe zawierające konkretne słownictwo, np. nazwy produktów lub żargon, które rzadko występują w typowej mowie, prawdopodobnie uzyskasz lepszą wydajność po dostosowaniu modelu języka. Jeśli na przykład tworzysz aplikację do głosowego przeszukiwania witryny MSDN, najprawdopodobniej terminy takie jak „obiektowe”, „przestrzeń nazw” lub „dot net” będą występować częściej niż w typowych aplikacjach głosowych. Dostosowanie modelu języka umożliwi systemowi nauczenie się tego.
Model akustyczny to klasyfikator oznaczający krótkie fragmenty audio jako jeden z kilku fonemów (jednostek dźwięku) w każdym języku. Te fonemy można następnie połączyć w celu utworzenia słów. Na przykład słowo „mowa” składa się z czterech fonemów: m, o, w, a. Te klasyfikacje są dokonywane z szybkością ok. 100 na sekundę. Dostosowanie modelu akustycznego może umożliwić systemowi naukę lepszego rozpoznawania mowy w nietypowych środowiskach. Na przykład w przypadku aplikacji zaprojektowanej do użycia przez pracowników magazynu lub fabryki dostosowany model akustyczny może dokładniej rozpoznawać mowę wśród hałasu typowego dla tych środowisk.
Usługa Mowa oferuje szeroką gamę czcionek głosowych zamiany tekstu na mowę (TTS), natomiast niestandardowy neuronowy model głosu umożliwia tworzenie własnego niestandardowego głosu, który pasuje do Twoich potrzeb i Twojej marki. Przeczytaj blog, aby uzyskać więcej informacji.
Identyfikacja języka umożliwia zidentyfikowanie przełącznika w języku mówionym i odpowiednie transkrybowanie mowy. Można to zastosować w scenariuszach, w których język audio jest nieznany lub gdy osoby mówiące mogą mówić w wielu językach. Identyfikacja pojedynczego języka jest dostępna bez dodatkowych kosztów. Ciągła identyfikacja języka to ulepszona funkcja dodatku. Zobacz dokumenty, aby dowiedzieć się więcej.
- Ocena wymowy ocenia wymowę i przekazuje osobom mówiącym opinie na temat dokładności i płynności mówionego dźwięku. Dzięki ocenie wymowy osoby uczące się języka mogą ćwiczyć, uzyskiwać błyskawiczne opinie i ulepszać swoją wymowę, dzięki czemu mogą mówić i prezentować bez obaw. Nauczyciele mogą korzystać z możliwości oceny wymowy wielu osób mówiących w czasie rzeczywistym. Sprawdź dokumentację aby dowiedzieć się więcej.
- Naliczana jest opłata jako standardowa zamiana mowy na tekst, na przykład:
  w przypadku oceny 8 sekund mowy zostanie naliczona opłata w wysokości około $-

Porozmawiaj ze specjalistą ds. sprzedaży, który przedstawi Ci cennik platformy Azure. Zapoznaj się z informacjami o cenach swojego rozwiązania w chmurze.

Poproś o przesłanie wyceny

Uzyskaj bezpłatne usługi online i $200 środków na eksplorowanie platformy Azure przez 30 dni.

Wypróbuj bezpłatnie platformę Azure

Mowa platformy Azure AI — cennik