Azure Speech

简介

Azure Speech 是微软 Azure 在 Foundry Tools 中提供的统一语音 AI 服务，提供语音转文本、文本转语音、语音翻译及说话人识别等能力，支持开发者构建具备高精度、多语言和可定制语音体验的智能语音应用。

核心功能

• 语音转文本（Speech-to-Text, STT） ：将音频流或文件高精度转换为文本，支持实时转录、快速转录和批量转录三种模式。适用于听写、呼叫中心辅助、会议实时字幕等场景。
• 文本转语音（Text-to-Speech, TTS） ：将输入文本转换为接近真人发音的合成语音，基于深度神经网络驱动，支持自然停顿、语调强调等拟人化特征。可使用预置神经语音或为品牌定制专属神经语音。
• 语音翻译：支持实时语音到语音、语音到文本的多语言翻译，可自动生成多语种翻译字幕。
• 说话人识别：通过语音生物特征识别对话中的说话人身份。
• 自定义语音：可创建独特品牌语音模型，添加特定词汇至基础词汇库，或构建自有模型。
• Avatar 头像合成：为实时或批量应用生成逼真、高质量的合成语音头像视频。
• 语音 CLI 与 SDK：提供 Speech CLI（SPX）实现无需编码的语音服务调用，以及 Speech SDK 和 REST API 支持深度集成。

产品优势

• 高精度与自然度：采用最新神经网络架构，语音转写准确率高，合成语音接近真人发音，显著降低机械感。
• 多语言与全球化：支持 100+ 语言的音频字幕和语音翻译。语音翻译支持不断扩展的语言列表，并可针对行业进行定制化翻译。
• 灵活的部署方式：支持云端部署与边缘容器部署，可在数据所在位置运行 AI 模型。
• 嵌入式语音支持：支持设备端语音转文本和文本转语音，适用于云连接间歇或不可用的场景。
• 安全与合规：微软拥有 34,000 名全职工程师专注安全计划，15,000 家安全合作伙伴，获得 100 多项合规认证。
• 灵活的按需付费：无前期成本，仅按实际使用量付费。

应用场景

• 智能语音 Agent：结合基础模型与定制化音频输入/输出模型，为 Agent 赋予语音能力。
• 呼叫中心与会议转录：转录呼叫中心或会议对话，支持 100+ 语言的音频字幕。
• 文本转语音与有声内容：构建自然说话的机器人，以定制化逼真语音和说话风格实现品牌差异化。
• 多语言沟通：对音频或视频数据进行多语言翻译，支持不断扩展的语言列表及行业定制化翻译。
• 自定义语音与 Avatar：构建自然听感的定制神经语音，使用预置或定制 Avatar 配合自然语音将品牌形象生动化。
• 后通话分析：使用 Foundation Models 分析音频或视频通话录音，获取深度洞察。
• Microsoft 内部应用：Microsoft 自身在多个场景使用 Azure Speech，包括 Microsoft Teams 的字幕、Microsoft Office 365 的语音输入、Microsoft Edge 浏览器的朗读功能。

使用教程

1. 创建 Azure 账号并开通服务：注册 Azure 账号（支持企业账号与个人开发者账号），登录 Azure 门户后搜索“Speech Services”，创建新语音资源。
2. 获取密钥与区域：在创建的语音资源中获取 API Key 和区域（Region）信息。
3. 选择接入方式：
   • 无需编码：使用 Speech CLI（SPX）通过命令行快速体验语音服务。
   • 深度集成：使用 Speech SDK（支持多种编程语言）或 REST API 进行应用开发。
4. 文本转语音快速体验：在命令行中运行 Speech CLI 命令，指定文本和语音风格，即可合成语音并播放或保存。
5. 语音转文本快速体验：通过麦克风实时语音识别，或对音频文件进行批量转录。
6. 自定义语音模型（可选） ：上传录音数据，训练品牌专属的定制神经语音模型。

价格说明

Azure Speech 采用即用即付（Pay-as-you-go）模式，无前期成本，仅按实际使用量计费。

免费额度（F0 免费层） ：

标准层按量付费（参考价格） ：

说明：以上价格仅供参考，实际价格可能因与 Microsoft 签订的协议类型、购买日期和货币汇率而有所差异。同时，Azure 提供定价计算器供用户根据自身方案估算费用。

FAQ

Q1：Azure Speech 由哪家公司开发和运营？

A：由 Microsoft（微软）开发运营，是 Azure Foundry Tools 中的核心 AI 服务之一。

Q2：Azure Speech 支持哪些核心功能？

A：支持语音转文本（STT）、文本转语音（TTS）、语音翻译、说话人识别、自定义语音及 Avatar 头像合成等。

Q3：Azure Speech 如何计费？

A：采用即用即付模式，无前期成本。语音转文本和语音翻译按音频小时计费，文本转语音按字符数计费。

Q4：是否有免费额度？

A：有。F0 免费层每月提供 5 小时语音转文本、50 万字符文本转语音、5 小时语音翻译的免费额度。

Q5：Azure Speech 支持哪些语言？

A：支持 100+ 语言的音频字幕和语音翻译。具体支持的语言和声音列表请参阅官方文档。

Q6：能否定制自己的语音模型？

A：可以。Azure Speech 支持构建定制神经语音，可针对特定品牌或应用创建独特的语音模型。

Q7：是否支持离线或边缘部署？

A：支持。Azure Speech 可在云端或边缘容器中运行。同时提供嵌入式语音，支持设备端语音能力，适用于云连接间歇或不可用的场景。

Q8：如何开始使用 Azure Speech？

A：注册 Azure 账号，在 Azure 门户创建语音资源，获取密钥后即可通过 Speech CLI、SDK 或 REST API 开始调用。