Поддержка языка и голоса для Azure речи

В следующей таблице приведена поддержка языкового стандарта для транскрибирования в режиме реального времени, быстрого транскрибирования, пакетного транскрибирования и уточнения после потока. В таблице перечислены поддержку уточнения после потоков отдельно для общедоступного монолингвального распознавания и многоязычного распознавания в общедоступной предварительной версии.

В этом разделе

• Языковые стандарты преобразования речи в текст
• Настраиваемая речь
• Поддержка пользовательского отображения речи
• Перевод речи LLM
• Поддерживаемые языки MAI Transcribe-1

Языковые стандарты преобразования речи в текст

Настраиваемая речь

Чтобы повысить точность распознавания речи в текст, можно настроить некоторые языки и базовые модели. В зависимости от языкового стандарта можно отправлять звук с помощью транскрибирования с метками человека, обычного текста, структурированного текста и данных произношения. По умолчанию все доступные базовые модели поддерживают настройку обычного текста. Дополнительные сведения о настройке см. в разделе "Что такое настраиваемая речь?".

Поддержка пользовательского отображения речи

Эти языковые стандарта поддерживают функцию формата текста отображения: da-DKde-DEen-AUen-CAen-GBen-HKen-IEen-INen-NGen-NZen-PHen-SGen-USes-ESes-MXfi-FIfr-CAfr-FRhi-INit-ITja-JPko-KRnb-NOnl-NLpl-PLpt-BRpt-PTsv-SEtr-TRzh-CNzh-HK,

Перевод речи LLM

Речь LLM поддерживает следующие языки для транскрибирования и перевода.

Поддерживаемые языки MAI Transcribe-1

В следующей таблице перечислены языки, поддерживаемые MAI Transcribe-1 для распознавания речи.

Узнайте о различных типах и функциях голосов Azure речи или перейдите к полной Text для голосовой речи таблице.

Типы голосов

Таблица в этом разделе представляет языковые стандарты и голоса, поддерживаемые текстом для речи. Дополнительные сведения см. в следующих разделах. Дополнительные примечания для языковых стандартов преобразования текста в речь включены в стили голоса и роли, стандартные голоса, профессиональный голос и личные голосовые разделы в этой статье.

Стандартные голоса

Каждый стандартный голос поддерживает определенный язык и диалект, определяемый языковым стандартом. Вы можете попробовать демонстрацию и услышать голоса в коллекции голосов.

Каждая стандартная модель голосовой связи доступна в 24 кГц и высокой точности 48 кГц. При синтезе вы можете получить другие показатели выборки с помощью upsampling или downsampling.

Многоязычные голоса

Голоса с именами, включающими MultilingualNeuralDragonHDLatestNeuralили DragonHDOmniLatestNeural поддерживающими несколько языков. Эти голоса обеспечивают экспрессивный синтез речи на разных языках, что помогает уменьшить языковые барьеры и поддерживать инклюзивное глобальное взаимодействие.

DragonHDLatestNeural и DragonHDOmniLatestNeural являются нейронными высокоопределенными (HD) голосами, основанными на крупных языковых моделях (LLM). Они могут понять семантический контент входного текста, автоматически обнаруживать эмоциональные подсказки, а также настраивать стиль и тон в режиме реального времени, чтобы лучше соответствовать тональности. Голоса HD поддерживают согласованную голосовую персону со своими коллегами, отличными от HD (нейронных), обеспечивая расширенные возможности благодаря улучшенному контекстному пониманию.

MultilingualNeural голоса представляют собой более раннее поколение многоязычной технологии. Они предлагают высокую естественность, но не имеют того же уровня контекстной осведомленности, что и голоса HD.

Префикс языкового стандарта указывает основной языковой стандарт голоса. Например, для голоса en‑US‑AndrewMultilingualNeuralпрефикс языкового стандарта является en‑USпервым сегментом имени голоса.

Голоса с несколькими разговорами

Голосовая связь с несколькими разговорами позволяет естественным, динамическим беседам с несколькими отдельными ораторами. Это инновация повышает реалистичность синтезированных диалогов, сохраняя контекстный поток, эмоциональную согласованность и естественные шаблоны речи.

Используйте эту возможность для создания привлекательных, подкаст-стилей речи или обмена беседами с простыми переходами между докладчиками. В отличие от моделей с одним разговором, которые синтезирует каждый поворот в изоляции, многоязычные голоса поддерживают согласованность в диалоге. Эта согласованность помогает обеспечить более аутентичный и иммерсивный опыт прослушивания.

Дополнительные сведения об использовании голосов с несколькими разговорами с помощью языка разметки синтеза речи (SSML) см. в примере голосовой связи с несколькими разговорами.

Стили голоса и роли

В некоторых случаях вы можете настроить стиль речи, чтобы выразить эмоции, как веселость, сочувствие и спокойствие. Все стандартные голоса с стилями речи и многоуровневыми пользовательскими голосами поддерживают корректировку степени стиля. Вы можете оптимизировать голос для таких сценариев, как обслуживание клиентов, рассылка новостей и голосовой помощник. С ролями тот же голос может выступать в качестве другого возраста и пола.

Сведения о настройке и настройке стилей голоса и ролей см. в статье "Использование стилей и ролей речи".

Преобразование голосовой связи

Преобразование голосовой связи — это функция преобразования характеристик голоса в целевой динамик голоса. В следующей таблице приведены поддерживаемые языковые стандарты для преобразования голосовых данных. Каждый язык доступен во всех регионах преобразования голосов.

Голос речи в текст