Preços de Serviços de Voz

• 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 a Voz em Texto e a Conversão de Texto em Voz, o alojamento de pontos finais para modelos personalizados é faturado por segundo e por modelo.
• Para Comandos Personalizados: a faturação é controlada como consumo de Conversão de Voz em Texto, Conversão de Texto em Voz e Language Understanding. Os Comandos Personalizados não introduzem novos medidores de faturação.
• A preparação de modelos da Voz em Texto não implica custos. Só existem custos para alojar pontos finais por modelo uma vez implementado e, em seguida, o custo por hora de áudio da Voz em Texto Personalizada.

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.

Há cenários em que um ou vários oradores falam várias línguas no mesmo ficheiro de áudio ou apresentação ao vivo. A deteção de idioma contínua permite-lhe identificar mudanças nos idiomas falados e transcrever, de forma precisa, o discurso. Esta funcionalidade será gratuita durante a pré-visualização privada e pode ser acedida através do SDK de Voz. Visite a documentação para saber mais.