Suporte a linguagem e voz para Azure Fala

A tabela a seguir resume o suporte à localidade para transcrição em tempo real, transcrição rápida, transcrição em lote e refinamento pós-fluxo. A tabela lista o suporte ao refinamento pós-fluxo separadamente para reconhecimento monolíngue disponível em geral e reconhecimento multilíngue na visualização pública.

Nesta seção

• Localidades de conversão de fala em texto
• Fala Personalizada
• Suporte à exibição de fala personalizada
• Tradução de fala llm
• Idiomas compatíveis com MAI Transcribe-1

Localidades de conversão de fala em texto

Fala personalizada

Para melhorar a precisão do reconhecimento de fala em texto, você pode personalizar alguns idiomas e modelos base. Dependendo da localidade, você pode carregar áudio com transcrições rotuladas por humanos, texto sem formatação, texto estruturado e dados de pronúncia. Por padrão, todos os modelos base disponíveis dão suporte à personalização de texto sem formatação. Para obter mais informações sobre personalização, consulte o que é fala personalizada?.

Suporte à exibição de fala personalizada

Essas localidades dão suporte ao recurso de formato de texto de exibição: da-DK, , de-DE, en-AU, en-CA, en-GB, en-HKen-IE, en-IN, en-NG, en-NZen-PHen-SGen-USes-ESes-MXfi-FIfr-CAfr-FRhi-INit-ITja-JPko-KRnb-NOnl-NL, pl-PL, , pt-BR, pt-PT, sv-SE, tr-TR, . zh-CNzh-HK

Tradução de fala llm

A fala llm dá suporte aos seguintes idiomas para transcrição e tradução.

Idiomas compatíveis com MAI Transcribe-1

A tabela a seguir resume os idiomas com suporte do MAI Transcribe-1 para reconhecimento de fala.

Saiba mais sobre os diferentes tipos e recursos de vozes de fala Azure ou pule para a tabela Texto completo para vozes de fala.

Tipos de vozes

A tabela nesta seção representa as localidades e as vozes que o texto em fala dá suporte. Para obter detalhes, consulte as notas da seção a seguir. Mais comentários para localidades de texto em fala estão incluídos nos estilos de voz e funções, vozes padrão, voz profissional e seções de voz pessoal neste artigo.

Vozes padrão

Cada voz padrão dá suporte a um idioma e dialeto específicos, identificados pela localidade. Você pode experimentar a demonstração e ouvir as vozes na Galeria de Voz.

Cada modelo de voz padrão está disponível a 24 kHz e 48 kHz de alta fidelidade. Você pode obter outras taxas de exemplo por meio de upsampling ou downsampling ao sintetizar.

Vozes multilíngues

Vozes com nomes que incluem MultilingualNeural, DragonHDLatestNeuralou DragonHDOmniLatestNeural dão suporte a vários idiomas. Essas vozes permitem a síntese de fala expressiva entre idiomas, o que ajuda a reduzir as barreiras linguísticas e dar suporte à comunicação global inclusiva.

DragonHDLatestNeural e DragonHDOmniLatestNeural são vozes de alta definição neural (HD) baseadas em LLMs (modelos de linguagem grande). Eles podem entender o conteúdo semântico do texto de entrada, detectar automaticamente indicações emocionais e ajustar o estilo e o tom de fala em tempo real para corresponder melhor ao sentimento. As vozes HD mantêm uma persona de voz consistente com seus equivalentes não HD (neural), fornecendo recursos aprimorados por meio de uma melhor compreensão contextual.

MultilingualNeural as vozes representam uma geração anterior de tecnologia multilíngue. Eles oferecem alta naturalidade, mas não têm o mesmo nível de consciência contextual que as vozes HD.

O prefixo de localidade indica a localidade primária da voz. Por exemplo, para a voz en‑US‑AndrewMultilingualNeural, o prefixo de localidade é en‑US, que é o primeiro segmento do nome da voz.

Vozes de vários falantes

As vozes de vários falantes permitem conversas naturais e dinâmicas com vários alto-falantes distintos. Essa inovação aprimora o realismo dos diálogos sintetizados preservando o fluxo contextual, a consistência emocional e os padrões de fala naturais.

Use essa funcionalidade para gerar trocas de fala envolventes, no estilo podcast ou de conversação com transições perfeitas entre os palestrantes. Ao contrário dos modelos de conversa única, que sintetizam cada turno isoladamente, as vozes multi-falantes mantêm a coerência entre o diálogo. Essa coerência ajuda a garantir uma experiência de escuta mais autêntica e imersiva.

Para obter mais informações sobre como usar vozes multi-talker por meio da SSML (Linguagem de Marcação de Síntese de Fala), consulte o exemplo de voz multi-talker.

Estilos de voz e funções

Em alguns casos, você pode ajustar o estilo de fala para expressar emoções como alegria, empatia e calma. Todas as vozes padrão com estilos de fala e vozes personalizadas de vários estilos dão suporte ao ajuste de grau de estilo. Você pode otimizar a voz para cenários como atendimento ao cliente, newscast e assistente de voz. Com os papéis, a mesma voz pode atuar como uma idade e um gênero diferentes.

Para saber como você pode configurar e ajustar estilos de voz e funções, consulte Usar estilos e funções de fala.

Conversão de voz

A conversão de voz é um recurso para transformar as características de voz do áudio em um alto-falante de voz de destino. A tabela a seguir resume as localidades com suporte para conversão de voz. Cada idioma está disponível em todas as regiões de conversão de voz.

Vozes de texto em fala