Suporte de linguagem e voz para o Azure Speech

A tabela seguinte resume o suporte local para transcrição em tempo real, transcrição rápida, transcrição em lote e refinamento pós-fluxo. A tabela lista separadamente o suporte pós-refinamento do fluxo para o reconhecimento monolíngue geralmente disponível e o reconhecimento multilíngue em pré-visualização pública.

Nesta secção

• Locais de voz para texto
• Fala personalizada
• Suporte para ecrã de voz personalizada
• Tradução de fala em LLM
• Linguagens suportadas pelo MAI Transcribe-1

Locais de voz para texto

Fala personalizada

Para melhorar a precisão do reconhecimento de voz para texto, pode personalizar algumas línguas e modelos base. Dependendo do local, pode carregar áudio com transcrições rotuladas por humanos, texto simples, texto estruturado e dados de pronúncia. Por defeito, todos os modelos base disponíveis suportam personalização de texto simples. Para mais informações sobre personalização, veja O que é fala personalizada?.

Suporte para ecrã de voz personalizada

Estes locais suportam a funcionalidade de formato de texto de exibição: da-DK, de-DE, en-AU, en-CAen-GB, en-HK, en-IE, , en-INen-NGen-NZen-PHen-SGen-USes-ESes-MXfi-FIfr-CAfr-FRhi-INit-ITja-JPko-KRnb-NOnl-NLpl-PLpt-BRpt-PTsv-SEtr-TRzh-CNzh-HK

Tradução de fala em LLM

A fala do LLM suporta as seguintes línguas tanto para transcrição como para tradução.

Linguagens suportadas pelo MAI Transcribe-1

A tabela seguinte resume as línguas suportadas pelo MAI Transcribe-1 para reconhecimento de voz.

Saiba sobre os diferentes tipos e características das vozes Azure de fala, ou salte para a tabela completa de Vozes de texto para fala.

Tipos de vozes

A tabela nesta secção representa as localidades e vozes que o texto para voz suporta. Para mais detalhes, consulte as seguintes notas da secção. Mais comentários sobre locais de texto para fala estão incluídos nas secções de Estilos e papéis de voz, Vozes padrão, Voz profissional e Voz pessoal deste artigo.

Vozes padrão

Cada voz padrão suporta uma língua e um dialeto específicos, identificados pela localidade. Podes experimentar a demo e ouvir as vozes na Galeria de Vozes.

Cada modelo de voz padrão está disponível a 24 kHz e alta fidelidade a 48 kHz. Podes obter outras taxas de amostragem através de upsampling ou downsampling ao sintetizar.

Vozes multilíngues

Vozes com nomes que incluem MultilingualNeural, DragonHDLatestNeural, ou DragonHDOmniLatestNeural suportam múltiplas línguas. Estas vozes permitem a síntese expressiva da fala entre línguas, o que ajuda a reduzir barreiras linguísticas e a apoiar uma comunicação global inclusiva.

DragonHDLatestNeural e DragonHDOmniLatestNeural são vozes neurais de alta definição (HD) baseadas em grandes modelos de linguagem (LLMs). Conseguem compreender o conteúdo semântico do texto de entrada, detetar automaticamente sinais emocionais e ajustar o estilo e o tom de fala em tempo real para melhor corresponder ao sentimento. As vozes HD mantêm uma persona vocal consistente com as suas contrapartes não-HD (neurais), ao mesmo tempo que proporcionam capacidades melhoradas através de uma melhor compreensão contextual.

MultilingualNeural As vozes representam uma geração anterior de tecnologia multilíngue. Oferecem grande naturalidade, mas não têm o mesmo nível de consciência contextual que as vozes HD.

O prefixo local indica a localização principal da voz. Por exemplo, para a voz en‑US‑AndrewMultilingualNeural, o prefixo local é en‑US, que é o primeiro segmento do nome da voz.

Vozes multifalantes

Vozes multifalantes permitem conversas naturais e dinâmicas com múltiplos oradores distintos. Esta inovação reforça o realismo dos diálogos sintetizados ao preservar o fluxo contextual, a consistência emocional e os padrões naturais de fala.

Use esta capacidade para gerar conversas envolventes, ao estilo podcast, ou trocas de conversas com transições fluidas entre os oradores. Ao contrário dos modelos single-talker, que sintetizam cada turno isoladamente, as vozes multi-talker mantêm a coerência ao longo dos diálogos. Esta coerência ajuda a garantir uma experiência auditiva mais autêntica e imersiva.

Para mais informações sobre como usar vozes multi-talker através da Speech Synthesis Markup Language (SSML), veja o exemplo da voz Multi-talker.

Estilos de voz e papéis

Em alguns casos, pode ajustar o estilo de expressão para expressar emoções como alegria, empatia e calma. Todas as vozes padrão com estilos de fala e vozes personalizadas multi-estilos suportam ajuste do grau de estilo. Pode otimizar a voz para cenários como atendimento ao cliente, noticiário e assistente de voz. Com papéis, a mesma voz pode atuar numa idade e género diferentes.

Para saber como configurar e ajustar estilos e papéis de voz, veja Usar estilos e papéis de fala.

Conversão de voz

A conversão de voz é uma funcionalidade para transformar as características vocais do áudio para um altifalante de voz alvo. A tabela seguinte resume os locais suportados para conversão de voz. Cada língua está disponível em todas as regiões de conversão de voz.

Vozes de texto para voz