Co je převod textu na řeč?

V tomto přehledu se dozvíte o výhodách a možnostech funkce převodu textu na řeč služby Speech, která je součástí nástrojů Foundry.

Převod textu na řeč umožňuje vašim aplikacím, nástrojům nebo zařízením převést text na lidský hlas, který působí přirozeně. Funkce převodu textu na řeč se také označuje jako syntéza řeči. Používejte standardní hlasy, které znějí jako lidské, anebo vytvořte vlastní hlas, který je jedinečný pro váš produkt či značku. Úplný seznam podporovaných hlasů, jazyků a národních prostředí najdete v tématu Podpora jazyka a hlasu pro službu Speech.

Služba Speech poskytuje standardní (neurální) hlasy a vlastní možnosti hlasu:

  • Standardní hlasy: Vysoce kvalitní neurální hlasy dostupné v 100 jazycích a národních prostředích
  • Vlastní hlasy: Vytváření jedinečných hlasů značky s profesionálním vyladěním hlasu nebo možnostmi osobního hlasu

Úplný seznam dostupných hlasů a jazyků najdete v tématu Podpora jazyka a hlasu.

Začínáme

Podrobnější kurzy a příklady:

Návod

Pokud chcete převést text na řeč pomocí přístupu bez kódu, vyzkoušejte nástroj pro vytváření zvukového obsahu v nástroji Speech Studio.

Funkce převodu textu na řeč pomocí neuronových sítí

Převod textu na řeč používá hluboké neurální sítě k tomu, aby počítačové hlasy byly téměř nerozeznatelné od lidských nahrávek. Díky jasné artikulaci se neurální převod textu na řeč snižuje míra únavy z poslechu během interakcí.

Klíčové funkce

Funkce Shrnutí Ukázka
Standardní hlas (označovaný jako neurální na stránce s cenami) Velmi přirozené hlasy ihned po vybalení. Vytvořte předplatné Azure a prostředek služby Speech a pak použijte sadu Speech SDK nebo přejděte na portál Speech Studio a začněte výběrem standardních hlasů. Projděte si podrobnosti o cenách. Zkontrolujte galerii hlasových hovorů a určete správný hlas pro vaše obchodní potřeby.
Vlastní hlas Snadno použitelné samoobslužné služby pro vytvoření přirozeného hlasu značky s omezeným přístupem k zodpovědnému použití. Vytvořte předplatné Azure a prostředek Microsoft Foundry a pak použijte vlastní hlas. Po udělení přístupu přejděte do profesionální dokumentace k jemnému ladění hlasu , abyste mohli začít. Projděte si podrobnosti o cenách. Zkontrolujte ukázky hlasu.

Rozšířené funkce

  • Syntéza řeči v reálném čase: Pomocí sady Speech SDK nebo rozhraní REST API můžete převést text na řeč pomocí standardních hlasů nebo vlastních hlasů.

  • Asynchronní syntéza dlouhého zvuku: Pomocí rozhraní API dávkové syntézy můžete asynchronně syntetizovat text na řečové soubory delší než 10 minut (například zvukové knihy nebo přednášky). Na rozdíl od syntézy prováděné pomocí sady Speech SDK nebo rozhraní REST API pro převod řeči na text se odpovědi nevrátí v reálném čase. Očekává se, že se požadavky odesílají asynchronně, odpovědi se průběžně kontrolují, a syntetizovaný zvuk se stahuje, když je služba zpřístupní.

  • Standardní hlasy: Azure Speech in Foundry Tools používá hluboké neurální sítě k překonání limitů tradiční syntézy řeči týkající se stresu a intonace v mluveném jazyce. Predikce prosodie a syntéza hlasu probíhají současně, což vede k plynulejším a přirozeně znějícím výsledkům. Každý standardní hlasový model je k dispozici o frekvenci 24 kHz a také v provedení s vysokou věrností o frekvenci 48 kHz. Neurální hlasy můžete použít k:

    • Interakce s chatovacími roboty a hlasovými asistenty je přirozenější a poutavější.
    • Převeďte digitální texty, jako jsou elektronické knihy, na audioknihy.
    • Vylepšete navigační systémy v autě.

    Úplný seznam standardních neuronových hlasů Azure Speech v nástrojích Foundry najdete v tématu Podpora jazyka a hlasu pro službu Speech.

  • Vylepšení výstupu textu na řeč pomocí SSML: Jazyk SSML (Speech Synthesis Markup Language) je jazyk pro revize založený na jazyce XML, který se používá k přizpůsobení textu na výstupy řeči. Pomocí SSML můžete upravit výšku, přidat pauzy, zlepšit výslovnost, změnit rychlost mluvení, upravit hlasitost a přiřazovat více hlasů do jednoho dokumentu.

    Pomocí SSML můžete definovat vlastní lexikony nebo přepnout na různé styly mluvení. Pomocí vícejazyčných hlasů můžete také upravit jazyky pro mluvení prostřednictvím SSML. Pokud chcete zlepšit hlasový výstup pro váš scénář, přečtěte si téma Zlepšení syntézy pomocí Značkovacího jazyka pro syntézu řeči a syntézy řeči pomocí nástroje na vytváření zvukového obsahu.

  • Visemes: Visemes jsou klíčové pozice v pozorované řeči, včetně pozice rtů, jawy a jazyka při výrobě určitého fomusu. Visemy mají silnou korelaci s hlasy a fonémy.

    V sadě Speech SDK můžete pomocí událostí viseme vygenerovat data pro animaci obličeje. Tato data se dají použít k animaci tváří v komunikaci odezíráním ze rtů, vzdělávání, zábavě a zákaznickém servisu. Viseme je v současné době podporován pouze pro en-US (americká angličtina) neurální hlasy.

Poznámka:

Kromě neurálních hlasů Azure Speech (ne HD) můžete také používat hlasy Azure Speech s vysokým rozlišením (HD) a neurální hlasy Azure OpenAI (HD a ne HD). Hlasy HD poskytují vyšší kvalitu pro všestrannější scénáře.

Některé hlasy nepodporují všechny značky jazyka SSML (Speech Synthesis Markup Language). To zahrnuje neurální text na řeč, HD hlasy, osobní hlasy a vložené hlasy.

  • Pro hlasy s vysokým rozlišením služby Azure Speech (HD) se podívejte na podporu SSML zde.
  • Pro osobní hlas najdete podporu SSML zde.
  • Pro vložené hlasy zkontrolujte podporu SSML.

Ukázkový kód

Ukázkový kód pro převod textu na řeč je k dispozici na GitHubu. Tyto ukázky pokrývají převod textu na řeč v nejoblíbenějších programovacích jazycích:

Vlastní hlas

Kromě standardních hlasů můžete vytvářet vlastní hlasy, které jsou jedinečné pro váš produkt nebo značku. Vlastní hlas je zastřešující termín, který zahrnuje profesionální vyladění hlasu a osobní hlas. K tomu, abyste mohli začít, stačí mít několik zvukových souborů a k nim přidružené přepisy. Další informace najdete v profesionální dokumentaci k vyladění hlasu.

Poznámka k ceně

Fakturovatelné znaky

Pokud použijete funkci převodu textu na řeč, bude fakturace založena na celkovém počtu znaků v jednotlivých úspěšně zpracovaných žádostech. Tento počet zahrnuje všechny znaky/písmena, číslice, mezery a interpunkci; bez ohledu na to, zda je vytvořen zvukový výstup. Poplatky se účtují i v případě, že se řeč negeneruje kvůli neshodě mezi vybraným jazykem hlasu a vstupním textem. Tady je seznam fakturovatelných položek:

  • Text předaný funkci převodu textu na řeč v textu žádosti SSML
  • Všechny značky v textovém poli žádosti ve formátu SSML s výjimkou <speak> a <voice> tagů
  • Písmena, interpunkce, mezery, tabulátory, značky a všechny prázdné znaky
  • Každý bod kódu definovaný v kódování Unicode

Podrobné informace najdete v tématu Ceny služby Speech.

Důležité

Každý čínský znak se počítá jako dva znaky pro fakturaci, včetně kanji používaného v japonštině, hanja používané v korejštině nebo hanzi používané v jiných jazycích.

Trénování modelů a doba hostování pro přizpůsobený hlas

Vlastní hlasové trénování a hostování jsou obě počítány po hodinách a fakturovány po sekundách. Informace o cenách fakturační jednotky najdete v tématu Ceny služby Speech.

Profesionální doba jemného ladění hlasu se měří podle "výpočetní hodiny" (jednotka pro měření doby běhu počítače). Při trénování hlasového modelu jsou obvykle spuštěny dva výpočetní úlohy paralelně. Počítané výpočetní hodiny jsou tedy delší než skutečná doba trénování. Pro profesionální vyladění hlasu obvykle trvá 20 až 40 výpočetních hodin k vytrénování hlasu v jednom stylu a přibližně 90 výpočetních hodin pro vytrénování hlasu ve více stylech. Čas potřebný na profesionální ladění hlasových nastavení se účtuje s limitem 96 výpočetních hodin. V případě, že je hlasový model vytrénovaný za 98 výpočetních hodin, se vám bude účtovat jenom 96 výpočetních hodin.

Hostování vlastních hlasových koncových bodů se měří podle skutečně stráveného času (v hodinách). Čas hostování (hodiny) pro každý koncový bod se počítá každý den v 00:00 UTC za předchozích 24 hodin. Například, pokud je koncový bod aktivní po dobu 24 hodin prvního dne, je účtován za 24 hodin k 00:00 UTC druhého dne. Pokud je koncový bod nově vytvořený nebo pozastavený během dne, účtuje se jeho kumulovaný spuštěný čas do 00:00 UTC následujícího dne. Pokud koncový bod není aktuálně hostovaný, neúčtuje se. Kromě denního výpočtu v 00:00 UTC se fakturace aktivuje také okamžitě při odstranění nebo pozastavení koncového bodu. Například pro koncový bod vytvořený v 08:00 UTC 1. prosince se hodina hostování vypočítá na 16 hodin v 00:00 UTC 2. prosince a 24 hodin v 00:00 UTC dne 3. prosince. Pokud uživatel pozastaví hostování koncového bodu v 16:30 UTC 3. prosince, vypočítá se pro fakturaci doba trvání (16,5 hodiny) od 00:00 do 16:30 UTC.

Osobní hlas

Pokud používáte funkci osobního hlasu, bude vám účtováno jak úložiště profilů, tak syntéza.

  • Úložiště profilu: Po vytvoření osobního hlasového profilu se bude fakturovat, dokud se neodebere ze systému. Fakturační jednotka je za hlas za den. Pokud hlasové úložiště trvá méně než 24 hodin, stále se účtuje jako jeden celý den.
  • Syntéza: Účtováno podle počtu znaků. Podrobnosti o fakturovatelných znacích najdete výše v uvedených fakturovatelných znacích.

Avatar převodu textu na řeč

Pokud používáte funkci avataru převodu textu na řeč, poplatky se účtují za sekundu na základě délky výstupu videa. V případě avatara v reálném čase se však poplatky účtují za sekundu na základě času, kdy je avatar aktivní, bez ohledu na to, jestli mluví nebo zůstává tichý. Pokud chcete optimalizovat náklady na využití avatarů v reálném čase, přečtěte si tipy "Použijte místní video v nečinnosti" uvedené v ukázkovém kódu avatar chatu.

Trénink avatarů pro převod vlastního textu na řeč se měří podle "výpočetní hodiny" (doba provozu stroje) a účtuje se po sekundách. Doba trvání trénování se liší v závislosti na tom, kolik dat používáte. Trénování vlastního avatara obvykle trvá 20 až 40 výpočetních hodin. Čas trénování avatarů se účtuje s limitem 96 výpočetních hodin. Takže v případě, že je model avataru vytrénovaný za 98 výpočetních hodin, se vám účtuje jenom 96 výpočetních hodin.

Hostování avatarů se účtuje za sekundu za koncový bod. Pokud chcete ušetřit náklady, můžete koncový bod pozastavit. Pokud chcete koncový bod pozastavit, můžete ho odstranit přímo. Pokud ho chcete znovu použít, znovu nasaďte koncový bod.

Foto Avatar, včetně standardních i vlastních variant, se integruje se službou Voice Live pro scénáře s nízkou latencí a obousměrnými konverzačními scénáři.

Monitorování metrik převodu textu do řeči v Azure

Monitorování klíčových metrik přidružených ke službám převodu textu na řeč je zásadní pro správu využití prostředků a řízení nákladů. Tato část vás provede vyhledáním informací o využití na webu Azure Portal a poskytnutím podrobných definic klíčových metrik. Další informace o metrikách služby Azure Monitor najdete v přehledu metrik služby Azure Monitor.

Jak najít informace o využití na webu Azure Portal

Pokud chcete efektivně spravovat prostředky Azure, je nezbytné pravidelně přistupovat k informacím o využití a kontrolovat je. Tady je postup, jak najít informace o využití:

  1. Přejděte na azure Portal a přihlaste se pomocí svého účtu Azure.

  2. Přejděte na Prostředky a vyberte prostředek, který chcete monitorovat.

  3. V nabídce vlevo vyberte Metrikyv části Monitorování .

    Snímek obrazovky s výběrem možnosti metrik v části Monitorování

  4. Přizpůsobení zobrazení metrik

    Data můžete filtrovat podle typu prostředku, typu metriky, časového rozsahu a dalších parametrů a vytvářet vlastní zobrazení, která odpovídají vašim potřebám monitorování. Kromě toho můžete zobrazení metriky uložit na řídicí panely výběrem možnosti Uložit na řídicí panel , abyste měli snadný přístup k často používaným metrikám.

  5. Nastavte upozornění.

    Pokud chcete efektivněji spravovat využití, nastavte upozornění tak, že v nabídce vlevo přejdete na kartu Upozornění v části Monitorování . Výstrahy vás můžou upozornit, když využití dosáhne konkrétních prahových hodnot, což pomáhá zabránit neočekávaným nákladům.

Definice metrik

Tady je tabulka se souhrnem klíčových metrik pro převod textu do řeči v Azure.

Název metriky Popis
Syntetizované znaky Sleduje počet znaků převedených na řeč, včetně standardního hlasu a vlastního hlasu. Podrobnosti o fakturovatelných znacích najdete v Fakturovatelné znaky.
Syntetizované sekundy videa Měří celkovou dobu trvání videa syntetizovaného, včetně dávkové syntézy avatarů, syntézy avatarů v reálném čase a vlastní syntézy avatarů.
Avatar Model Hosting Seconds Sleduje celkovou dobu v sekundách, po kterou je váš vlastní model avataru hostovaný.
Hodiny hostování hlasových modelů Sleduje celkovou dobu v hodinách, kdy je váš vlastní hlasový model hostovaný.
Minuty trénování hlasových modelů Měří celkový čas v minutách pro trénování vlastního hlasového modelu.

Referenční dokumenty

Zodpovědná AI

Systém AI zahrnuje nejen technologii, ale také uživatele, kteří ho používají, osoby, kterých se to týká, a prostředí, ve kterém je nasazené. Přečtěte si poznámky k transparentnosti a seznamte se s zodpovědným používáním a nasazením umělé inteligence ve vašich systémech.

Další kroky

  • Poslední aktualizace v