Preços de Discurso de IA do Azure

• Para a Voz em Texto e a Tradução de Voz, a utilização é faturada em incrementos de um segundo.
• Para Conversão de Texto em Voz: a utilização é faturada por caráter. Veja a definição de caráter na nota de preços.
• Para o alojamento de Voz Neural Personalizada: a utilização é faturada por ponto final por segundo. Consulte os detalhes na nota de preços.
• Para o armazenamento pessoal de perfis de voz: a utilização é faturada por perfil de voz por dia. Consulte os detalhes na nota de preços.
• Para Avatar de Conversão de Texto em Voz, a utilização é faturada por segundo.
• Para a Conversão de Voz em Texto e Texto em Voz (incluindo Avatar), o alojamento de pontos finais para modelos personalizados é faturado por segundo e por modelo.

O serviço de Voz permite aos utilizadores adaptarem os modelos da linha de base com base nos seus próprios dados acústicos e de linguagem, conduzindo a modelos de discurso personalizado que podem ser utilizados na Conversão de Voz em Texto e na Tradução de Voz.

O modelo de idioma é uma distribuição de probabilidade sobre sequências de palavras. O modelo de idioma ajuda o sistema a decidir entre sequências de palavras que soam de forma semelhante, com base na probabilidade das próprias sequências de palavras. Por exemplo, “recognize speech” e “wreck a nice beach” soam de forma parecida, mas a primeira hipótese é muito mais provável de ocorrer e, portanto, será atribuída uma melhor classificação pelo modelo do idioma. Se espera que as consultas de voz na sua aplicação contenham itens de vocabulário particulares, como nomes de produtos ou gíria, que ocorrem raramente no discurso habitual, é provável que consiga obter um melhor desempenho ao personalizar o modelo de idioma. Por exemplo, se estava a criar uma aplicação para pesquisar o MSDN por voz, é provável que termos como “orientado por objetos” ou “espaço de nomes” ou “ponto net” apareçam com mais frequência do que em aplicações de discurso habitual. A personalização do modelo de idioma irá permitir que o sistema aprenda isto.

O modelo acústico é um classificador que rotula fragmentos curtos de áudio num de vários fonemas, ou unidades de som, em cada idioma. Estes fonemas podem ser unidos para formar palavras. Por exemplo, a palavra “speech” é constituída por quatro fonemas “s p iy ch”. Estas classificações são feitas na ordem de 100 vezes por segundo. A personalização do modelo acústico pode permitir que o sistema aprenda a melhorar o reconhecimento de voz em ambientes atípicos. Por exemplo, se tem uma aplicação concebida para ser utilizada por trabalhadores num armazém ou numa fábrica, um modelo acústico personalizado pode reconhecer com mais precisão a voz na presença dos ruídos encontrados nestes ambientes.

O serviço de voz oferece um amplo conjunto de tipos de letra de voz de conversão de texto em voz (TTS); contudo, a voz neural personalizada permite-lhe criar a sua própria voz personalizada e que se adeque às suas necessidades e à sua marca. Leia o blogue para obter mais informações.

Identificação de idioma permite-lhe identificar uma mudança no idioma falado e transcrever a voz em conformidade. Isto pode ser aplicado em cenários em que o idioma de áudio é desconhecido ou quando o(s) falante(s) pode(m) falar vários idiomas. A Identificação de Idioma Único está disponível sem custos adicionais. A Identificação Contínua de Idioma é uma funcionalidade de suplemento melhorada. Visite os documentos para saber mais.

• A Avaliação da pronúncia avalia a pronúncia da voz e dá feedback aos oradores sobre a precisão e fluência do áudio falado. Com a avaliação da pronúncia, os estudantes de idiomas podem praticar, obter feedback instantâneo e melhorar a pronúncia para que possam falar e apresentar com confiança. Os educadores podem utilizar a capacidade de avaliar a pronúncia de vários oradores em tempo real. Consulte os documentos para saber mais.
• É cobrado como Conversão de Voz em Texto standard, exemplo:
  Para avaliação de 8 segundos de voz, ser-lhe-ão cobrados cerca de $-