Preços do Fala de IA do Azure

• Para Conversão de Fala em Texto e Tradução de Fala, o uso é cobrado em incrementos de um segundo.
• Para Conversão de Texto em Fala: o uso é cobrado por caractere. Verifique a definição de caractere na nota de preços.
• Para hospedagem de Voz Neural Personalizada: o uso é cobrado por ponto de extremidade por segundo. Verifique os detalhes na nota de preços.
• Para armazenamento de perfil de voz pessoal: o uso é cobrado por perfil de voz por dia. Verifique os detalhes na nota de preços.
• Para o avatar de Conversão de Texto em Fala, o uso é cobrado por segundo.
• Para Conversão de Fala em Texto e Conversão de Texto em Fala (incluindo Avatar), a hospedagem de ponto de extremidade para modelos personalizados é cobrada por segundo por modelo.

O serviço de Fala permite que os usuários adaptem modelos de linha de base com base em seus próprios dados acústicos e de linguagem, levando a modelos de fala personalizados que podem ser usados tanto em Conversão de Fala em Texto quanto em Tradução de Fala.

O modelo de linguagem é uma distribuição de probabilidade por sequências de palavras. O modelo de linguagem ajuda o sistema a decidir entre sequências de palavras que soam parecidas, com base na probabilidade das próprias sequências de palavras. Por exemplo, “reconhecer fala” e “amolecer bala” soam parecido, mas a primeira hipótese é muito mais provável de ocorrer e, portanto, terá atribuída a ela uma pontuação mais elevada pelo modelo de linguagem. Se você espera que consultas de voz para seu aplicativo contenham itens de vocabulário específicos, como nomes de produto ou jargões que raramente ocorrem na fala comum, é provável que você possa obter desempenho aprimorado personalizando o modelo de linguagem. Por exemplo, se você está compilando um aplicativo para pesquisar o MSDN por voz, é provável que termos como “orientado a objeto” ou “namespace” ou “dot net” apareçam com mais frequência do que em aplicativos de voz típicos. Personalizar o modelo de linguagem permitirá que o sistema aprenda isso.

O modelo acústico é um classificador que rotula fragmentos de áudio curtos em um de diversos fonemas ou unidades sonoras em cada linguagem. Esses fonemas podem então ser costurados para formar palavras. Por exemplo, a palavra “speech” é composta de quatro fonemas, “s p iy ch”. Essas classificações são feitas aproximadamente 100 vezes por segundo. Personalizar o modelo acústico pode permitir que o sistema aprenda a reconhecer melhor a fala em ambientes atípicos. Por exemplo, se você tiver um aplicativo projetado para ser usado por trabalhadores em um depósito ou fábrica, um modelo acústico personalizado poderá reconhecer fala de modo mais preciso na presença dos ruídos encontrados nesses ambientes.

O serviço de Fala oferece uma grande variedade de fontes de voz de TTS (conversão de texto em fala). No entanto, a Sintetização de Voz Personalizada permite que você crie sua voz personalizada, adequada às suas necessidades e à sua marca. Leia o blog para obter mais informações.

identificação de idioma permite que você identifique uma opção no idioma falado e transcreva a fala adequadamente. Isso pode ser aplicado em cenários em que o idioma do áudio é desconhecido ou quando o(s) locutor(es) pode(m) falar vários idiomas. A Identificação de Idioma Único está disponível sem custo adicional. A Identificação Contínua de Idioma é um recurso de complemento aprimorado. Acesse documentos para saber mais.

• A avaliação de pronúncia avalia a pronúncia da fala e fornece feedback aos falantes sobre a precisão e a fluência do áudio falado. Com a avaliação de pronúncia, os alunos de idiomas podem praticar, obter feedback instantâneo e melhorar sua pronúncia para que possam falar e apresentar com confiança. Os educadores podem usar a capacidade de avaliar a pronúncia de vários falantes em tempo real. Visite docs para saber mais.
• É cobrado como Speech to Text padrão, exemplo:
  Para avaliação de 8 segundos de fala, será cobrado cerca de $-