Daten, Datenschutz und Sicherheit für Text zu Sprache

Wichtig

Nicht englische Übersetzungen werden nur zur Bequemlichkeit bereitgestellt. Bitte konsultieren Sie die EN-US Version dieses Dokuments für die endgültige Version.

Dieser Artikel informiert darüber, wie die von Ihnen bereitgestellten Daten von Azure Speech in der Foundry Tools Text-zu-Sprache-Funktion verarbeitet, verwendet und gespeichert werden. Als wichtige Erinnerung sind Sie für Ihre Verwendung und die Implementierung dieser Technologie verantwortlich und sind verpflichtet, alle erforderlichen Berechtigungen zu erhalten, einschließlich ggf. von VoIP- und Avatar-Talenten (und ggf. Benutzern Ihrer persönlichen Sprachintegration(en)) für die Verarbeitung ihrer Stimme, ihres Bilds, ihrer Likeness und/oder anderer Daten, um synthetische Stimmen und/oder Avatare zu entwickeln.

Sie sind auch dafür verantwortlich, die notwendigen Lizenzen, Berechtigungen oder anderen Rechte für den Inhalt einzuholen, den Sie in den Text-zu-Sprache-Dienst eingeben, um Audio-, Bild- und/oder Videoausgaben zu erstellen. Einige Rechtsordnungen können besondere rechtliche Anforderungen für die Erhebung, Verarbeitung und Speicherung bestimmter Datenkategorien, wie biometrische Daten, und die Offenlegung synthetischer Stimmen, Bilder und/oder Videos für Benutzer festlegen. Bevor Sie Text zur Sprache verwenden, um Daten jeglicher Art zu verarbeiten und zu speichern und gegebenenfalls benutzerdefinierte Neuralstimme, persönliche Stimme oder benutzerdefinierte Avatarmodelle zu erstellen, müssen Sie sicherstellen, dass Sie alle gesetzlichen Anforderungen erfüllen, die für Sie gelten können.

Welche Daten verarbeiten Text-zu-Sprache-Dienste?

Vorkonfigurierte Stimme / Avatar

• Texteingabe für die Sprachsynthese. Dies ist der Text, den Sie auswählen und an den Sprachdienst senden, um die Audioausgabe mithilfe einer Reihe vordefinierter neuraler Stimmen zu generieren oder einen vordefinierten Avatar zu generieren, der Audiodaten aus vordefinierten oder benutzerdefinierten neuralen Stimmen ausgibt.

Benutzerdefinierte neurale Stimme

• Aufnahme der Datei mit der Bestätigung des Sprechers. Kunden müssen eine bestimmte aufgezeichnete Aussage hochladen, die vom Sprachtalent gesprochen wird, in dem sie erkennen, dass Sie ihre Stimme verwenden, um synthetische Stimmen zu erstellen.

  Hinweis

  Achten Sie bei der Vorbereitung Ihres Aufnahmeskripts darauf, dass Sie die erforderliche Bestätigungserklärung für den Datensatz des Sprechers mit aufnehmen. Sie finden die Anweisung in mehreren Sprachen here. Die Sprache der Bestätigungserklärung muss mit der Sprache der Audioschulungsdaten übereinstimmen.

• Schulungsdaten (einschließlich Audiodateien und zugehöriger Texttranskriptionen). Dazu gehören Audioaufzeichnungen des Sprachtalents, die vereinbart haben, ihre Stimme für Modellschulungen und die zugehörigen Texttranskripte zu verwenden. In einem benutzerdefinierten Neural Voice Pro-Projekt können Sie Ihre eigenen Texttranskriptionen von Audio bereitstellen oder die automatische Spracherkennungstranskription in Speech Studio verwenden, um eine Texttranskription des Audios zu generieren. Sowohl die Audioaufzeichnungen als auch die Texttranskriptionsdateien werden als Sprachmodellschulungsdaten verwendet. In einem benutzerdefinierten neuralen VoIP Lite-Projekt werden Sie aufgefordert, die Stimme aufzuzeichnen, die das Microsoft definierte Skript in Speech Studio spricht. Texttranskripte sind für persönliche Sprachfunktionen nicht erforderlich.

• Text als Testskript. Sie können Ihre eigenen textbasierten Skripts hochladen, um die Qualität des benutzerdefinierten neuralen Sprachmodells auszuwerten und zu testen, indem Sie Sprachsynthese-Audiobeispiele generieren. Dies gilt nicht für persönliche Sprachfunktionen.

• Texteingabe für die Sprachsynthese. Dies ist der Text, den Sie auswählen und an den Sprachdienst senden, um die Audioausgabe mithilfe Ihrer benutzerdefinierten neuralen Stimme zu generieren.

Benutzerdefinierter Text in Sprach-Avatar

• Aufgenommener Datensatz für die Bestätigung des Avatars. Kunden müssen eine spezifische, von dem Avatar-Darsteller gesprochene aufgezeichnete Videoaussage hochladen, in der sie bestätigen, dass Sie ihre Stimme und ihr Bild verwenden, um Avatarmodelle zu erstellen.

  Hinweis

  Stellen Sie beim Erstellen Ihres Videoaufzeichnungsplans sicher, dass Sie die erforderliche Anerkennungserklärung für das Avatar-Talent zum Aufnehmen einschließen. Sie finden die Anweisung in mehreren Sprachen here. Die Sprache der Anerkennungserklärung muss mit der Sprache der Trainingsdaten für die Videoaufnahme übereinstimmen.

  Das Video zur Bestätigungserklärung muss nicht in denselben Bedingungen (z. B. Aufzeichnungsumgebung, Kleidung des Avatar-Darstellers) wie die Videoaufzeichnungsschulungsdaten vorliegen, jedoch sollte das Gesicht des Schauspielers vollständig und ohne jegliche Abdeckung sichtbar sein.

• Schulungsdaten (einschließlich Audiodateien und Bild-/Videodateien). Dazu gehören Video- und Audioaufzeichnungen des Avatar-Talents, die vereinbart haben, ihr Bild und ihre Stimme für die Modellschulung zu verwenden. Wir benötigen keine Texttranskription der Audiodaten im Video.

• Text als Testskript. Sie können Ihre eigenen textbasierten Skripts hochladen, um die Qualität des benutzerdefinierten Avatarmodells auszuwerten und zu testen, indem Sie synthetische Avatarvideobeispiele generieren.

• Texteingabe für die Sprachsynthese. Dies ist der Text, den Sie auswählen und an den Sprachdienst senden, um Audio- und Videoausgabe mithilfe Ihres benutzerdefinierten Avatars zu generieren.

Wie verarbeiten Text zu Sprachdiensten Daten?

Vorkonfigurierte neurale Stimme

Das folgende Diagramm veranschaulicht, wie Ihre Daten zur Synthese mit vordefinierter neuraler Stimme verarbeitet werden. Die Eingabe ist Text, und die Ausgabe ist Audio. Weder Eingabetext noch Ausgabeaudioinhalte werden in Microsoft Protokollen gespeichert.

Benutzerdefinierte neurale Stimme

Das folgende Diagramm veranschaulicht, wie Ihre Daten für benutzerdefinierte neurale Stimme verarbeitet werden. Dieses Diagramm befasst sich mit drei verschiedenen Verarbeitungstypen: wie Microsoft die aufgezeichneten Bestätigungsanweisungsdateien von Sprachtalenten vor der benutzerdefinierten Schulung des neuralen Sprachmodells überprüft, wie Microsoft ein benutzerdefiniertes neurales Sprachmodell mit Ihren Schulungsdaten erstellt und wie Text zu Sprache Ihre Texteingabe verarbeitet, um Audioinhalte zu generieren.

Text-zu-Sprache-Avatar

Das folgende Diagramm veranschaulicht, wie Ihre Daten für die Synthese mit vorab entwickeltem Text-zu-Sprache-Avatar verarbeitet werden. Es gibt drei Komponenten in einem Workflow für die Avatar-Inhaltsgenerierung: Textanalyse, TTS-Audiosynthesizer und TTS-Avatar-Videosynthesizer. Zum Generieren von Avatarvideos wird text zuerst in die Textanalyse eingegeben, die die Ausgabe in Form einer Phoneme-Sequenz bereitstellt. Anschließend prognostiziert der TTS-Audiosynthesizer die akustischen Merkmale des Eingabetexts und synthetisiert die Stimme. Diese beiden Teile werden von Text-zu-Sprache-Stimmenmodellen bereitgestellt. Als Nächstes prognostiziert das Neurale Text-zu-Sprache-Avatar-Modell das Bild der Lippensynchronisierung mit den akustischen Merkmalen, sodass das synthetische Video generiert wird.

Videoübersetzung

Das folgende Diagramm veranschaulicht, wie Ihre Daten mit Videoübersetzung verarbeitet werden. Der Kunde lädt das Video als Eingabe für die Videoübersetzung hoch, und die Audiodaten des Dialogs werden extrahiert und per Spracherkennung in Text transkribiert. Anschließend wird der Textinhalt in den Zielspracheninhalt übersetzt, und mithilfe der Sprachfunktion wird der übersetzte Audioinhalt mit dem ursprünglichen Videoinhalt als Videoausgabe zusammengeführt.

Vorkonfigurierte Stimme / Avatar

Es gibt keine zusätzlichen Abschnitte für vordefinierte Stimme oder Avatar.

Benutzerdefinierte neurale Stimme

Überprüfung der aufgezeichneten Empfangsbestätigung

Microsoft erfordert, dass Kunden eine Audiodatei mit einer aufgezeichneten Aussage des Sprachtalents in Speech Studio hochladen müssen, um zu bestätigen, dass der Kunde seine Stimme verwendet, um eine synthetische Stimme zu erstellen. Microsoft kann die Spracherkennungstechnologie von Microsoft zur Transkription dieser aufgezeichneten Bestätigungsanweisung in Text verwenden und überprüfen, ob der Inhalt der Aufzeichnung mit dem von Microsoft bereitgestellten vordefinierten Skript übereinstimmt. Diese Bestätigungserklärung wird zusammen mit den Talentinformationen, die Sie mit dem Audio bereitstellen, verwendet, um ein Sprecherprofil zu erstellen. Sie müssen Schulungsdaten dem relevanten Sprachtalentprofil zuordnen, wenn Sie ein benutzerdefiniertes neurales Sprachtraining initiieren.

Microsoft kann auch biometrische Sprachsignaturen aus der aufgezeichneten Bestätigungsanweisungsdatei des Sprechertalents und aus zufälligen Audiodaten der Schulungsdatensätze verarbeiten, um mit angemessener Sicherheit zu bestätigen, dass die Sprachsignatur in der Aufzeichnung der Bestätigungsanweisung mit den Schulungsdatenaufnahmen übereinstimmt, indem Azure AI Speaker Verification verwendet wird. Eine Sprachsignatur kann auch als "Stimmvorlage" oder "Voiceprint" bezeichnet werden und ist ein numerischer Vektor, der die Sprachmerkmale einer Person darstellt, die aus Audioaufzeichnungen einer Person extrahiert werden. Dieser technische Schutz soll dazu beitragen, den Missbrauch benutzerdefinierter neuraler Stimme zu verhindern, indem beispielsweise Kunden daran gehindert werden, Sprachmodelle mit Audioaufzeichnungen zu trainieren und die Modelle zu verwenden, um die Stimme einer Person ohne ihr Wissen oder ihre Zustimmung zu spoofen.

Die Sprachsignaturen werden von Microsoft ausschließlich für die Zwecke der Sprecherüberprüfung verwendet oder anderweitig erforderlich, um den Missbrauch der Dienste zu untersuchen.

Das Microsoft Zusatzabkommen zum Datenschutz für Produkte und Dienste ("DPA") legt die Verpflichtungen von Kunden und Microsoft hinsichtlich der Verarbeitung und Sicherheit von Kundendaten und personenbezogenen Daten im Zusammenhang mit Azure fest und wird durch Verweis in den Unternehmensvertrag der Kunden für Azure-Dienste aufgenommen. Die Datenverarbeitung in diesem Abschnitt durch Microsoft unterliegt dem Abschnitt "Geschäftsaktivitäten im Rahmen des berechtigten Interesses" des Datenschutzzusatzes.

Schulung eines benutzerdefinierten neuralen Sprachmodells

Die von Kunden an Speech Studio übermittelten Schulungsdaten (Sprachaudio) werden mit automatisierten Tools zur Qualitätsprüfung vorverarbeitet. Dazu gehören Überprüfungen des Datenformats, Bewertung der Aussprache, Erkennung von Störgeräuschen, Zuordnung von Skripten usw. Anschließend werden die Schulungsdaten in die Modellschulungskomponente der benutzerdefinierten Sprachplattform importiert. Während des Schulungsvorgangs werden die Schulungsdaten (sowohl Sprachaudio- als auch Texttranskriptionen) in feinkörnige Zuordnungen von Sprachakustik und Text, z. B. einer Abfolge von Phonemen, zerlegt. Durch weitere komplexe Modellierungen des maschinellen Lernens erstellt der Dienst ein Stimmenmodell, das dann verwendet werden kann, um Audio zu generieren, das dem Sprachtalent ähnlich klingt und sogar in verschiedenen Sprachen aus den Trainingsdatenaufnahmen generiert werden kann. Das Sprachmodell ist ein Text-zu-Sprach-Computermodell, das einzigartige Stimmeigenschaften eines bestimmten Sprechers nachahmen kann. Es stellt eine Reihe von Parametern im Binärformat dar, die nicht lesbar sind und keine Audioaufzeichnungen enthalten.

Die Schulungsdaten eines Kunden werden nur verwendet, um die benutzerdefinierten Sprachmodelle dieses Kunden zu entwickeln und wird nicht von Microsoft verwendet, um Microsoft Text in Sprachmodelle zu trainieren oder zu verbessern.

Generierung von Sprachsynthese-/Audioinhalten

Nachdem das Sprachmodell erstellt wurde, können Sie es verwenden, um mit dem Text-zu-Sprache-Dienst auf zwei verschiedene Arten Audioinhalte zu erstellen.

Für die Echtzeit-Sprachsynthese senden Sie den Eingabetext an den Sprachdienst über das TTS SDK oder die RESTful-API. Text in Sprache verarbeitet den Eingabetext und gibt Audioinhaltsdateien in Echtzeit an die Anwendung zurück, die die Anforderung gestellt hat.

Für die asynchrone Synthese von langen Audiodateien (Batchsynthese) reichen Sie die Eingabetextdateien über die Long Audio-API bei dem Text-to-Speech-Batchdienst ein, um Audiodateien asynchron zu erstellen, die länger als 10 Minuten sind (z. B. Hörbücher oder Vorträge). Im Gegensatz zur Synthese, die mit der Text-zu-Sprach-API durchgeführt wird, werden Antworten nicht in Echtzeit mit der Long Audio API zurückgegeben. Audios werden asynchron erstellt, und Sie können auf die synthetisierten Audiodateien zugreifen und herunterladen, wenn sie vom Batchsynthesedienst zur Verfügung gestellt werden.

Sie können auch Ihr benutzerdefiniertes VoIP-Modell verwenden, um Audioinhalte über ein codefreies Audio Content Creation-Tool zu generieren, und wählen Sie aus, ihre Texteingabe oder Audioinhalte mit dem Tool im Azure Speicher zu speichern.

Datenverarbeitung für benutzerdefinierte neuronale Stimme Lite (Vorschau)

Benutzerdefinierte neurale Stimme Lite ist ein Projekttyp, der als öffentliche Vorschau verfügbar ist und mit dem Sie 20 bis 50 Sprachbeispiele in Speech Studio aufzeichnen können, um ein leichtgewichtiges benutzerdefiniertes neurales Sprachmodell für Demonstrations- und Bewertungszwecke zu erstellen. Sowohl das Aufzeichnungsskript als auch das Testskript sind durch Microsoft vordefiniert. Ein synthetisches Stimmmodell, das Sie mit benutzerdefinierter neuronaler Stimme Lite erstellen, darf nur bereitgestellt und in einem breiteren Umfang verwendet werden, wenn Sie sich für einen vollständigen Zugriff auf die benutzerdefinierte neuronale Stimme bewerben und diesen erhalten (vorbehaltlich geltender Bedingungen).

Die synthetische Sprach- und zugehörigen Audioaufzeichnungen, die Sie über Speech Studio übermitteln, werden innerhalb von 90 Tagen automatisch gelöscht, es sei denn, Sie erhalten vollzugriff auf benutzerdefinierte neurale Stimme und wählen die Bereitstellung der synthetischen Stimme aus. In diesem Fall steuern Sie die Dauer der Aufbewahrung. Wenn das VoIP-Talent die synthetische Stimme und die zugehörigen Audioaufzeichnungen vor 90 Tagen gelöscht haben möchte, können sie sie direkt im Portal löschen oder sich an ihr Unternehmen wenden.

Bevor Sie ein synthetisches Sprachmodell bereitstellen können, das mit einem benutzerdefinierten Neural Voice Lite-Projekt erstellt wird, muss das Sprachtalent eine zusätzliche Aufzeichnung bereitstellen, in der sie erkennen, dass die synthetische Stimme für zusätzliche Zwecke verwendet wird, die über Demonstration und Auswertung hinausgehen.

Datenverarbeitung für die persönliche VoIP-API (Vorschau)

Die Funktion 'Persönliche Stimme' ermöglicht es Kunden, mithilfe eines kurzen menschlichen Sprachbeispiels eine synthetische Stimme zu erstellen. Die oben beschriebene mündliche Bestätigungserklärungsdatei ist von jedem Benutzer erforderlich, der die Integration in Ihre Anwendung verwendet. Microsoft können biometrische Sprachsignaturen aus der aufgezeichneten Sprachanweisungsdatei jedes Benutzers und dessen aufgezeichnetes Schulungsbeispiel (a.k.a. die Eingabeaufforderung) verarbeiten, um zu bestätigen, dass die Sprachsignatur in der Aufzeichnung der Bestätigungsanweisung und der Aufzeichnung der Schulungsdaten mit angemessenem Vertrauen übereinstimmt, indem Azure AI Speaker Verification verwendet wird.

Das Schulungsbeispiel wird verwendet, um das Sprachmodell zu erstellen. Das VoIP-Modell kann dann verwendet werden, um Sprache mit Texteingaben zu generieren, die dem Dienst über die API bereitgestellt werden, ohne dass eine zusätzliche Bereitstellung erforderlich ist.

Benutzerdefinierter Text in Sprach-Avatar

Überprüfung der Videobestätigungserklärung

Microsoft erfordert, dass Kunden eine Videodatei mit einer aufgezeichneten Bestätigungserklärung ihres Avatar-Talents bereitstellen müssen, um zu bestätigen, dass der Kunde das Bild und die Stimme des Talents zum Erstellen eines benutzerdefinierten Avatars verwendet. Microsoft überprüft, ob der Inhalt in der Aufzeichnung der Bestätigungsanweisung mit dem vordefinierten Skript übereinstimmt, das von Microsoft bereitgestellt wird.

Microsoft kann das Gesicht und die Stimme des Avatar-Darstellers in der aufgezeichneten Bestätigungsvideodatei mit randomisierten Videos aus den relevanten Schulungsdatensätzen vergleichen, um zu bestätigen, dass die Person in den Videos der Schulungsdatensätze und die Person in der Bestätigungsvideodatei übereinstimmen.

Nur wenn sowohl die Videoaufzeichnungsdatei der Bestätigung als auch die Videotrainingsdaten bereitgestellt werden und die Akteursüberprüfung bestanden wird, wird Microsoft beginnen, das benutzerdefinierte Avatarmodell zu trainieren.

Schulung eines benutzerdefinierten Text-zu-Sprach-Avatarmodells

Kunden übermitteln ihre Schulungsdaten über das benutzerdefinierte Avatarportal an Speech Studio. Die Daten werden mithilfe automatisierter Tools zur Überprüfung der Qualität, einschließlich Datenformat, Dateigröße und Gesamtvolumen, vorverarbeitet. Die Schulungsdaten werden dann in die Modellschulungskomponente des benutzerdefinierten Avatarportals importiert. Während des Schulungsvorgangs werden die Schulungsdaten (sowohl Videobild als auch Sprachaudio in der Videodatei) in feinkörnige Zuordnungen der Lippenbewegungen und Sprachakustik zerlegt. Durch weitere komplexe Maschinen-Leaning-Modellierung erstellt der Dienst ein Avatarmodell, das dann zum Generieren von Videos verwendet werden kann, die dem Avatar-Talent ähneln und sogar generiert werden können, um die Stimme in verschiedenen Sprachen aus der Aufzeichnung von Schulungsdaten abzugleichen.

Die Schulungsdaten eines Kunden werden nur zur Entwicklung der benutzerdefinierten Avatarmodelle des jeweiligen Kunden verwendet und nicht von Microsoft genutzt, um Text-zu-Sprache-Avatarmodelle zu trainieren oder zu verbessern.

Datenspeicher und Aufbewahrung

Vorkonfigurierte Stimme / Avatar

Text-Eingabe für die Sprachsynthese: Microsoft behält oder speichert den Text, den Sie mit der Echtzeitsynthesetext-API bereitstellen, nicht. Skripts, die über die Long-Audio-API für Text zu Sprache oder über die Batch-avatar-API für text-zu-Sprache-Avatare bereitgestellt werden, werden in Azure Speicher gespeichert, um die Batchsyntheseanforderung zu verarbeiten. Der Eingabetext kann jederzeit über die Lösch-API gelöscht werden.

Output Audio- und Videoinhalte: Microsoft speichert audio- oder videoinhalte, die mit der Echtzeitsynthese-API generiert wurden, nicht. Wenn Sie die Videoübersetzung oder die Long-Audio-API für die Text-zu-Sprache-Avatar-Batch-API verwenden, werden die Ausgabe-Audio- oder -Videoinhalte im Azure-Speicher gespeichert. Diese Audios oder Videos können jederzeit über den Löschvorgang entfernt werden.

Benutzerdefinierte neurale Stimme

Text-Eingabe für die Sprachsynthese: Microsoft behält oder speichert den Text, den Sie mit der Echtzeitsynthesetext-API bereitstellen, nicht. Skripts, die über die Long-Audio-API für Text zu Sprache oder über die Batch-avatar-API für text-zu-Sprache-Avatare bereitgestellt werden, werden in Azure Speicher gespeichert, um die Batchsyntheseanforderung zu verarbeiten. Der Eingabetext kann jederzeit über die Lösch-API gelöscht werden.

Output Audio- und Videoinhalte: Microsoft speichert audio- oder videoinhalte, die mit der Echtzeitsynthese-API generiert wurden, nicht. Wenn Sie die Videoübersetzung oder die Long-Audio-API für die Text-zu-Sprache-Avatar-Batch-API verwenden, werden die Ausgabe-Audio- oder -Videoinhalte im Azure-Speicher gespeichert. Diese Audios oder Videos können jederzeit über den Löschvorgang entfernt werden.

Aufgezeichnete Bestätigungsaussage und Sprecherüberprüfung: Die Sprachsignaturen werden von Microsoft ausschließlich für die Zwecke der Sprecherüberprüfung verwendet oder falls anderweitig erforderlich zur Untersuchung von Fehlverhalten im Rahmen der Dienste. Die Sprachsignaturen werden nur für die Zeit aufbewahrt, die zum Durchführen der Sprecherüberprüfung erforderlich ist, was von Zeit zu Zeit auftreten kann. Microsoft kann diese Überprüfung erfordern, bevor Sie benutzerdefinierte neurale Sprachmodelle in Speech Studio trainieren oder neu trainieren können, oder wenn dies anderweitig erforderlich ist. Microsoft bewahrt die aufgezeichnete Bestätigungsdatei und die Stimmprofildaten so lange auf, wie erforderlich, um die Sicherheit und Integrität von Azure Speech zu erhalten.

Custom neural voice models: Während Sie die exklusiven Nutzungsrechte für Ihr benutzerdefiniertes neurales Sprachmodell beibehalten, kann Microsoft eine Kopie von benutzerdefinierten neuralen Sprachmodellen beliebig lange aufbewahren. Microsoft können Ihr benutzerdefiniertes neurales Sprachmodell ausschließlich zum Schutz der Sicherheit und Integrität von Foundry Tools verwenden.

Microsoft wird Kopien der aufgezeichneten Bestätigungsanweisung und der benutzerdefinierten neuralen Sprachmodelle jedes Sprachtalents mit derselben hohen Sicherheit sichern und speichern, die es für seine anderen Azure-Dienste verwendet. Weitere Informationen finden Sie im Microsoft Trust Center.

Training data: Sie übermitteln VoIP-Schulungsdaten von VoIP-Talenten, um VoIP-Modelle über Speech Studio zu generieren, die standardmäßig in Azure storage gespeichert und gespeichert werden (Weitere Informationen finden Sie unter Azure Storage Verschlüsselung für Daten bei REST). Sie können auf alle Schulungsdaten zugreifen und diese löschen, die zum Erstellen von Sprachmodellen über Speech Studio verwendet werden.

Sie können die Speicherung Ihrer Schulungsdaten über BYOS (Bring Your Own Storage) verwalten. Mit dieser Speichermethode können Schulungsdaten nur für die Zwecke der VoIP-Modellschulung aufgerufen werden und andernfalls über BYOS gespeichert werden.

Hinweis

Persönliche Stimme unterstützt BYOS nicht. Ihre Daten werden in Azure von Microsoft verwalteten Speicher gespeichert. Sie können auf alle Schulungsdaten (Eingabeaufforderungsaudio) zugreifen und diese löschen, die zum Erstellen von VoIP-Modellen über die API verwendet werden. Microsoft kann eine Kopie von persönlichen Sprachmodellen beliebig lange aufbewahren. Microsoft können Ihr persönliches VoIP-Modell ausschließlich zum Schutz der Sicherheit und Integrität von Foundry Tools verwenden.

Benutzerdefinierter Text in Sprach-Avatar

Text-Eingabe für die Sprachsynthese: Microsoft behält oder speichert den Text, den Sie mit der Echtzeitsynthesetext-API bereitstellen, nicht. Skripts, die über die Long-Audio-API für Text zu Sprache oder über die Batch-avatar-API für text-zu-Sprache-Avatare bereitgestellt werden, werden in Azure Speicher gespeichert, um die Batchsyntheseanforderung zu verarbeiten. Der Eingabetext kann jederzeit über die Lösch-API gelöscht werden.

Output Audio- und Videoinhalte: Microsoft speichert audio- oder videoinhalte, die mit der Echtzeitsynthese-API generiert wurden, nicht. Wenn Sie die Videoübersetzung oder die Long-Audio-API für die Text-zu-Sprache-Avatar-Batch-API verwenden, werden die Ausgabe-Audio- oder -Videoinhalte im Azure-Speicher gespeichert. Diese Audios oder Videos können jederzeit über den Löschvorgang entfernt werden.

Aufgezeichnete Daten der Bestätigungserklärung: Microsoft kann die Video- und Schulungsdaten der Bestätigungserklärung vergleichen, bevor Sie benutzerdefinierte Avatarmodelle trainieren oder neu trainieren können. Microsoft behält die aufgezeichneten Bestätigungserklärungsdatei und die Avatar-Talentprofildaten so lange bei, wie erforderlich, um die Sicherheit und Integrität von Foundry Tools zu erhalten.

Benutzerdefinierte Text-zu-Sprache-Avatar-Modelle: Während Sie die exklusiven Nutzungsrechte für Ihr benutzerdefiniertes Avatarmodell beibehalten, kann Microsoft unabhängig eine Kopie von benutzerdefinierten Avatarmodellen so lange wie nötig aufbewahren. Microsoft können Ihr benutzerdefiniertes Avatarmodell ausschließlich zum Schutz der Sicherheit und Integrität von Foundry Tools verwenden.

Microsoft sichert und speichert eine Kopie der aufgezeichneten Bestätigungserklärung des Avatar-Talents und der angepassten Avatar-Modelle mit demselben hohen Sicherheitsniveau, das es auch für seine anderen Azure Services verwendet. Weitere Informationen finden Sie im Microsoft Trust Center.

Training data: Schulungsdaten, die über Speech Studio übermittelt werden, werden standardmäßig in Azure storage gespeichert (Einzelheiten finden Sie unter Azure Storage verschlüsselung für Daten bei REST). Sie können auf alle Schulungsdaten zugreifen und diese löschen, die zum Erstellen von Avatarmodellen über Speech Studio verwendet werden.

Verhindern von Missbrauch und schädlicher Inhaltsgenerierung (Vorschau)

Um das Risiko einer schädlichen Nutzung der Azure Text-to-Speech-Dienste zu verringern, enthält der Azure Text-to-Speech-Avatar Inhaltssicherheitsfunktionen. Die Inhaltssicherheit erfolgt synchron, wenn der Dienst Text verarbeitet, um Audio zu generieren. In den Inhaltsklassifizierermodellen werden weder Text noch generierte Ergebnisse gespeichert, und Text und Ergebnisse werden nicht verwendet, um die Klassifizierermodelle zu trainieren, neu zu trainieren oder zu verbessern. Weitere Informationen zu den Schadenkategorien von Sicherheitsfeatures für Inhalte finden Sie unter "Schadenkategorien".

Siehe auch

• Transparenzhinweise und Anwendungsfälle für benutzerdefinierte neurale Stimme
• Verantwortungsvolle Bereitstellung synthetischer Spracherkennung
• Offenlegung von Sprach- und Avatar-Talenten
• Richtlinien für Offenlegungsgestaltung
• Designmuster für Offenlegungen