Унифицированные службы речи для преобразования речи в текст, текста в речь и перевода речи
The unified Speech services provide a wide range of speech recognition and generation capabilities including speech transcription, text-to-speech and speech translation.
Изучите варианты оплаты
Примените фильтры, чтобы настроить варианты оплаты в соответствии со своими потребностями.
Цены являются ориентировочными и не должны рассматриваться как фактические предложения с расценками. Фактические цены могут различаться в зависимости от типа соглашения, заключенного с Майкрософт, от даты покупки и курса обмена валюты. Цены рассчитываются в долларах США и конвертируются на основе спотовых курсов закрытия лондонской биржи, фиксируемых за два рабочих дня до последнего рабочего дня конца предыдущего месяца. Если два рабочих дня до конца месяца выпадают на выходной день на основных рынках, днем установления ставки обычно является день, непосредственно предшествующий этим двум рабочим дням. Данная ставка применяется ко всем транзакциям в течение последующего месяца. Войдите в Калькулятор цен Azure, чтобы увидеть цены на основе вашей текущей программы или предложения от Майкрософт. Обратитесь к специалисту по продажам Azure, чтобы получить дополнительные сведения о ценах или запросить предложение с расценками. Ознакомьтесь с часто задаваемыми вопросами о ценах на Azure.
Государственные структуры США могут приобрести службы "Azure для государственных организаций" у поставщика решений по лицензированию без предварительных финансовых обязательств или непосредственно через онлайн-подписку с оплатой по мере использования.
Важно! Цена в R$ лишь ориентировочная. Так как это предмет международных транзакций, окончательная цена зависит от курсов валют и налогов на финансовые операции (IOF). Форма eNF выдаваться не будет.
Государственные структуры США могут приобрести службы "Azure для государственных организаций" у поставщика решений по лицензированию без предварительных финансовых обязательств или непосредственно через онлайн-подписку с оплатой по мере использования.
Важно! Цена в R$ лишь ориентировочная. Так как это предмет международных транзакций, окончательная цена зависит от курсов валют и налогов на финансовые операции (IOF). Форма eNF выдаваться не будет.
Бесплатно (F0)
| Категория | Компоненты | Цена |
|---|---|---|
| Преобразование речи в текст (посекундная тарификация) |
Стандартный | Real-time Transcription: 5 audio hours free per month2 |
| Пользовательский |
Real-time Transcription: 5 audio hours free per month2 Размещение конечной точки: Бесплатно предоставляется 1 модель в месяц1 |
|
| Преобразование текста в речь (посимвольная тарификация) |
Нейронный | Бесплатно предоставляется 0.5 million символов в месяц |
| Перевод речи (посекундная тарификация) |
Стандартный | Бесплатно предоставляется 5 ч аудио в месяц |
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
1Неиспользуемые модели будут автоматически списаны через семь дней.
2Бесплатные часы звука для преобразования речи в текст совместно используется между стандартным и пользовательским, пакетная обработка не поддерживается.
Pay as You Go: pay only for what you use
Voice Live API and voice agents Prices
Voice Live and voice agents support multiple AI models. For the latest list of supported models, see the documentation.
| Категория | Компоненты | Цена | |
|---|---|---|---|
| Voice Live Pro (выставление счетов за m токенов)VL1 | Текст |
Входные данные: $- Кэшированные входные данные: $- Output 1 (gpt-realtime, gpt-4o, gpt-4.1, gpt-5, gpt-5-chat): $- Output 2 (gpt-realtime-2, gpt-realtime-2.1): $- |
|
| Audio - Standard |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Audio - CustomVL2 |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Native audio with speech-to-speech real-time model |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Изображение |
Входные данные: $- Кэшированные входные данные: $- |
||
| Voice Live Standard (per m token billing)VL1 | Текст |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
|
| Audio - Standard |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Audio - CustomVL2 |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Native audio with speech-to-speech real-time model |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Voice Live Lite (выставление счетов за m токенов)VL1 | Текст |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
|
| Audio - Standard |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Audio - CustomVL2 |
Кэшированные входные данные: $- Вывод: $- |
||
| Native audio with speech-to-speech real-time model |
Входные данные: $- Кэшированные входные данные: $- Вывод: $- |
||
| Voice Live BYO (per m token billing)VL1 | Audio - Standard |
Входные данные: $- Вывод: $- |
|
| Audio - CustomVL2 |
Входные данные: $- Вывод: $- |
||
| Voice Live Avatar (per minute billing) | Avatar output with Voice Live | Charged through Text to Speech Avatar ‘interactive avatar (real-time)’. See below Text to Speech pricing table for details. | |
VL1Voice Live pricing tiers are determined by the LLM models selected by developers. Models within each tier may be updated or retired as new options become available. To learn more about how Voice Live API pricing works, click here.
VL2You will be charged separately for custom speech and custom voice model training and hosting. Refer to the ‘Speech to Text – Custom Transcription’ and ‘Text to Speech – Custom Voice – Professional’ pricing for details. Custom voice is a limited access feature. Learn more about how to create custom voices.When using MAI-Transcribe, Standard-Audio pricing applies.
Speech Model Prices
| Категория | Компоненты | Цена | |
|---|---|---|---|
| Преобразование речи в текст (посекундная тарификация) |
Стандартное транскрибирование |
Транскрибирование в реальном времени: $- в час Быстрое транскрибирование: $- в час8 MAI Transcribe-2: $- в час10 MAI Transcribe-1.5: $- в час Пакетное транскрибирование: $- в час1 |
|
| LLM Speech Transcription | $- в час | ||
| Настраиваемое транскрибирование |
Транскрибирование в реальном времени: $- в час Пакетное транскрибирование: $- в час1 Размещение конечной точки: $- на модель в час Обучение Пользовательского распознавания речи5: $- за час вычислений |
||
Расширенные функции надстройки:
|
Реальное время: $- в час на функцию | ||
| Перевод речи (посекундная тарификация) |
Real-time Speech Translation (Standard) | $- за час аудио3 | |
| Realtime Speech Translation (Live Interpreter) |
Входные звуковые данные: $- за час аудио Вывод текста: $- за 1 млн символов Вывод звука (стандартный голос): $- за час звукаLI Вывод звука (пользовательский голос): $- за час звукаLI |
||
| LLM Speech Translation | $- в час | ||
| Перевод видео |
Входное видео: $- в час Выходное видео (Стандартный голос): $- в час Выходное видео (Персонализированный голос): $- в час |
||
| Преобразование текста в речь7 | Стандартный голос |
Neural/Neural HD Flash (real-time and batch): $- за 1 млн символов Neural HD (реальное время и пакетная служба)4: $- за 1 млн символов MAI-Voice: $- за 1 млн символов |
|
| Пользовательские голосовые модели |
Профессиональный голос:
Синтез (реальное время и пакетная служба): $- за 1 млн символов
Синтез (реальное время Neural HD и пакетная служба): $- за 1 млн символов Обучение голосовой модели: $- за час вычислений, до $- за обучение Размещение конечной точки: $- на модель в час |
||
|
Персонализированный голос6:
Синтез (реальное время и пакетная служба): $- за 1 млн символов
Создание голоса: бесплатно Хранилище голосовых профилей: $- за 1000 голосовых профилей в месяц |
|||
| Text to Speech Add-on feature: Avatar | Стандартный аватар |
Real-time (Interactive): $- per minute Batch: $- per minute |
|
| Пользовательский аватар |
Photo Avatar:
Real-time (Interactive): $- per minute
Batch: $- per minute Photo Avatar Creation: $- per avatar |
||
|
Video Avatar:
Real-time (Interactive): $- per minute
Batch: $- per minute Интерактивный аватар 4K (реальное время): $- за минуту Видео аватара 4K (пакетная служба): $- за минуту Обучение модели аватара: $- за час вычислений Размещение конечных точек: $- за модель в час |
|||
See the documentation for information on quotas, limits and instructions on how to increase concurrent requests.
Часы преобразования речи в текст измеряются как часы звука, отправленные в службу, оплачиваемые с шагом приращения в секунду.
1To take advantage of this new Batch Transcription pricing you need to use Speech to text REST API V3.2 or later versions. See Speech to text REST API for information.
2Цены указаны для общедоступной предварительной версии.
3This price includes 1 audio input and output, up to 2 text translation language using standard or custom Speech to Text and standard Translation. For custom Translation or 3+ translation languages, please reference the Azure Translator in Foundry Tools Text Translation pricing page.
4Selected text to speech voices are available via two model variants: Neural and NeuralHD. Learn more here.
5Обучение Пользовательского распознавания речи применяется при настройке любой базовой модели, выпущенной 1 октября 2023 г. или позже.
6Personal Voice is a limited access feature restricted to certain pre-approved use cases only, with a need to applying for access. To learn more about the service, check the document.
7Преобразование текста в речь: счета при использовании синтеза речи выставляются за символ. Счета для аватара выставляются за секунду. Счета для обучения и размещения модели выставляется за секунду.
8To use Fast Transcription you need to use Speech to text REST API 2024-11-15 or later versions. See Speech to text REST API for information.
9LLM Speech is currently sharing the same price and SKU ID with Fast Transcription.
10Limited-time promotional offer till 12/31/2026
LIВ эту цену включен текстовый вывод
Commitment Tiers – Standard
| Категория | Компоненты | Цена (за месяц) | Превышение |
|---|---|---|---|
| Преобразование речи в текст | Стандартный | $- — часы (2,000) | $- в час |
| $- — часы (10,000) | $- в час | ||
| $- — часы (50,000) | $- в час | ||
| Пользовательский | $- — часы (2,000) | $- в час | |
| $- — часы (10,000) | $- в час | ||
| $- — часы (50,000) | $- в час | ||
Расширенные функции надстройки:2
|
$- — часы (2,000) | $- в час | |
| $- — часы (10,000) | $- в час | ||
| $- — часы (50,000) | $- в час | ||
| Преобразование текста в речь | Нейронный1 | $- — млн символов (80) | $- на млн символов (1) |
| $- — млн символов (400) | $- на млн символов (1) | ||
| $- — млн символов (2,000) | $- на млн символов (1) |
1Это включает синтез в режиме реального времени и пакетный синтез с готовыми нейронными голосами, не являющимися HD и не являющимися AOAI. Голоса HD, голоса AOAI, Пользовательский нейронный голос и Персонализированный голос не включены.
2Только преобразование речи в текст в реальном времени, дополнительные функции непрерывной идентификации языка и ведения дневника, включенные в пакетное преобразование речи в текст.
Уровни обязательств — подключенный контейнер
| Категория | Компоненты | Цена (за месяц) | Превышение |
|---|---|---|---|
| Преобразование речи в текст2 | Стандартный | $- — часы (2,000) | $- в час |
| $- — часы (10,000) | $- в час | ||
| $- — часы (50,000) | $- в час | ||
| Пользовательский | $- — часы (2,000) | $- в час | |
| $- — часы (10,000) | $- в час | ||
| $- — часы (50,000) | $- в час | ||
Расширенные функции надстройки:2
|
$- — часы (2,000) | $- в час | |
| $- — часы (10,000) | $- в час | ||
| $- — часы (50,000) | $- в час | ||
| Преобразование текста в речь | Нейронный1 | $- — млн символов (80) | $- на млн символов (1) |
| $- — млн символов (400) | $- на млн символов (1) | ||
| $- — млн символов (2,000) | $- на млн символов (1) |
1Это включает синтез в режиме реального времени с готовыми нейронными голосами, не являющимися HD и не являющимися AOAI. Голоса HD, голоса AOAI и пользовательские голоса (как профессиональные, так и личные) не включены. Пакетный синтез не включен.
2Цены применяются к вариантам использования в реальном времени и в пакетном режиме. Отдельной цены на контейнеры для партий не существует.
See the documentation for information on Commitment tiers.
Уровни обязательств — отключенный контейнер
Sign up to access speech in disconnected containers, or learn more
| Категория | Компоненты | Цена (в год) | Максимальное использование (в год) | Прогнозируемое использование (в месяц) |
|---|---|---|---|---|
| Преобразование речи в текст2 | Standard: Realtime & Batch |
$-
$- Зарегистрируйтесь, чтобы получить доступ Подробнее |
120 000 часов
600 000 часов |
10 000 часов
50 000 часов |
| Standard: Fast Transcription |
$-
Зарегистрируйтесь, чтобы получить доступ Подробнее |
120 000 часов | 10 000 часов | |
| Custom: Realtime & Batch |
$-
$- Зарегистрируйтесь, чтобы получить доступ Подробнее |
120 000 часов
600 000 часов |
10 000 часов
50 000 часов |
|
Расширенные функции надстройки:
|
$-
$- |
120 000 часов
600 000 часов |
10 000 часов
50 000 часов |
|
| Преобразование текста в речь | Нейронный1 |
$-
$- Зарегистрируйтесь, чтобы получить доступ Подробнее |
4,8 млрд символов
24 млрд символов |
400 млн символов
2000 млн символов |
1Это включает синтез в режиме реального времени с готовыми нейронными голосами, не являющимися HD и не являющимися AOAI. Голоса HD, голоса AOAI и пользовательские голоса (как профессиональные, так и личные) не включены. Пакетный синтез не включен.
2Цены применяются к вариантам использования в реальном времени и в пакетном режиме. Отдельной цены на контейнеры для партий не существует.
Эти функции перестают использоваться и сейчас доступны только существующим клиентам. Ознакомьтесь с подробными сведениями и узнайте, как перейти на новые функции.
| Экземпляр | Категория | Компоненты | Цена |
|---|---|---|---|
| Бесплатные - Веб/контейнер Число одновременных запросов: 1 |
Преобразование текста в речь | Стандартный | Бесплатно предоставляется 5 million символов в месяц |
| Пользовательский |
Бесплатно предоставляется 5 million символов в месяц Размещение конечной точки: Бесплатно предоставляется 1 модель в месяц |
||
| Ценовая категория "Стандартный" — Интернет, контейнер 100 параллельных запросов для базовой модели 20 параллельных запросов для настраиваемой модели |
Преобразование текста в речь | Стандартный | $- за 1 млн символов |
| Пользовательский |
$- за 1 млн символов Размещение конечной точки: $- на модель в час |
Azure: цены и варианты приобретения
Свяжитесь с нами напрямую
Изучите пошаговое руководство по ценам на Azure. Ознакомьтесь с ценами на интересующее вас облачное решение, узнайте об оптимизации затрат и запросите индивидуальное предложение.
Обратитесь к специалисту по продажамУзнайте о способах приобретения
Приобрести службы Azure можно на веб-сайте Azure, у представителя Майкрософт или у партнера Azure.
Изучить доступные вариантыДополнительные ресурсы
Речь ИИ Azure
Узнайте больше о функциях и возможностях службы "Речь ИИ Azure".
Калькулятор цен
Оцените приблизительные ежемесячные затраты при использовании любого сочетания продуктов Azure.
Документация
Ознакомьтесь с техническими руководствами, видеороликами и дополнительными ресурсами по службе "Речь ИИ Azure".
Часто задаваемые вопросы
-
- При использовании «Преобразование речи в текст» и «Преобразование речи» плата взимается с шагом в одну секунду.
- For Text to Speech: usage is billed per character. Check the definition of character in the pricing note.
- For custom neural voice hosting: usage is billed per endpoint per second. Check details in the pricing note.
- For personal voice profile storage: usage is billed per voice profile per day. Check details in the pricing note.
- Для аватара преобразования текста в речь счет выставляется за каждую секунду использования.
- При использовании Преобразования речи в текст и Преобразования текста в речь (включая Аватар) размещение конечной точки для пользовательских моделей оплачивается посекундно для каждой модели.
-
Служба "Речь" позволяет пользователям адаптировать базовые модели с учетом собственных акустических и языковых данных. Благодаря этому они получают настраиваемые модели речи, которые можно использовать в преобразовании речи в текст и переводе речи.
-
Языковая модель — это случайное распределение последовательностей слов. Она помогает системе определить из числа последовательностей слова, которые звучат одинаково, на основе вероятности самих этих последовательностей. Например, фразы recognize speech и wreck a nice beach звучат похоже, но вероятность использования первого предположения выше, поэтому языковая модель назначит первой фразе более высокий рейтинг. Если голосовые запросы к приложению будут содержать определенные языковые элементы, например имена продуктов или жаргонизмы, которые редко используются в обычной речи, настройка языковой модели позволит улучшить производительность. Например, при создании приложения для голосового поиска в MSDN вероятно, что такие термины, как объектно-ориентированный, пространство имен или .NET, будут звучать чаще, чем в других обычных программах распознавания речи. Настройка языковой модели позволит системе запомнить эти термины.
-
Акустическая модель — это классификатор, сопоставляющий краткие звуковые фрагменты с одной из нескольких фонем или звуковыми единицами каждого языка. Затем эти фонемы можно объединить в слова. Например, слово “речь” состоит из трех фонем: [р’эч’]. Эти классификации выполняются приблизительно 100 раз в секунду. Настройка акустической модели позволяет системе эффективнее распознавать речь в нетипичных средах. Например, если приложение предназначено для работников складов или заводов, настройка акустической модели помогает более точно распознать речь в шумных средах.
-
Speech service offers a wide range of text-to-speech (TTS) voice fonts, however custom neural voice allows you to build your own custom voice that suits your needs and your brand. Read the blog for more information.
-
Распознавание языка позволяет определить изменение языка речи и соответствующим образом транскрибировать речь. Это можно применять к сценариям, когда язык речи неизвестен или когда докладчики могут говорить на нескольких языках. Распознавание одного языка доступно бесплатно. Непрерывное распознавание языка — это улучшенная надстройка. Посетите документацию, чтобы узнать больше.
-
- Pronunciation assessment evaluates speech pronunciation and gives speakers feedback on the accuracy and fluency of spoken audio. With pronunciation assessment, language learners can practice, get instant feedback, and improve their pronunciation so that they can speak and present with confidence. Educators can use the capability to evaluate pronunciation of multiple speakers in real time. Visit docs to learn more.
- It is charged as standard Speech to Text, example:
For evaluation of 8 seconds of speech, you will be charged around $-
Обратитесь к специалисту по продажам, чтобы узнать, как формируются цены в Azure. Составьте предоставление о цене на свое облачное решение.
К вашим услугам бесплатные облачные службы и кредит в сумме $200 для изучения Azure в течение 30 дней.