Preços dos Serviços Cognitivos – Serviços de Fala

• Para Tradução de Fala, Conversão de Fala em Texto e Conversão de Fala em Texto com Modelo de Fala Personalizada: o uso é cobrado por incrementos de um segundo.
• Para Conversão de Texto em Fala e Conversão de Texto em Fala com Fonte de Voz Personalizada: o uso é cobrado por caractere.
• Para Hospedagem de Modelo de Fala Personalizada: o uso é cobrado por hora. Para Hospedagem de Fonte de Voz Personalizada: o uso é cobrado por dia.
• Para Comandos Personalizados: a cobrança é controlada como consumo de Conversão de Fala em Texto, Conversão de Texto em Fala e Reconhecimento Vocal. Os Comandos Personalizados não introduzem novos medidores de cobrança.
• Não há cobrança para modelos de treinamento de fala. Os únicos custos são para hospedar o modelo treinado e o custo por hora da transcrição de fala.

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.

Os Serviços de Fala da Microsoft fornecem mais de 70 vozes padrão (também conhecidas como fontes de voz) em mais de 40 idiomas para ajudar você a converter seu texto em áudio. No entanto, com a ascensão de assistentes virtuais e de vários aplicativos habilitados para fala, muitas empresas gostariam de ter uma voz única que representasse seus negócios e fosse cuidadosamente projetada para sua própria identidade de marca. Por exemplo, se você estiver desenvolvendo um chatbot para o seu serviço de atendimento ao cliente, poderá associá-lo a uma voz de marca exclusiva da sua empresa para desenvolver o vínculo do cliente. Da mesma forma, um desenvolvedor de software de navegação automotiva pode habilitar a Conversão de Texto em Fala com diferentes vozes personalizadas para enriquecer a experiência do usuário.

Com o Voice Studio, o portal de criação de vozes personalizadas, isso é fácil. Usando seus próprios dados de áudio (voz humana gravada com seus scripts associados), você pode gerar uma fonte de voz personalizada que será implantada no serviço de Conversão de Texto em Fala da Microsoft e pode ser facilmente conectada a seus aplicativos com um ponto de extremidade da API para seu próprio uso.