Prise en charge de la langue et de la voix pour Azure Speech

Le tableau de cette section récapitule les paramètres régionaux pris en charge pour la transcription en temps réel, la transcription rapide et la transcription par lots.

Reconnaissance vocale personnalisée

Pour améliorer la précision de la reconnaissance vocale en texte, vous pouvez personnaliser certaines langues et modèles de base. Selon les paramètres régionaux, vous pouvez charger l’audio avec des transcriptions étiquetées par l’utilisateur, du texte brut, du texte structuré et des données de prononciation. Par défaut, tous les modèles de base disponibles prennent en charge la personnalisation en texte brut. Pour plus d’informations sur la personnalisation, consultez Qu’est-ce que la reconnaissance vocale personnalisée ?.

Prise en charge de l’affichage vocal personnalisé

Ces paramètres régionaux prennent en charge la fonctionnalité de format de texte d’affichage : da-DK, en-NGen-USen-AUen-CAen-SGen-NZen-PHes-ESde-DEen-GBes-MXen-HKen-INen-IE, , ko-KRnb-NOpt-PTpt-BRsv-SEpl-PLtr-TRzh-CNfr-CAhi-INzh-HKfr-FRit-ITja-JPnl-NLfi-FI

Traduction vocale LLM

La reconnaissance vocale LLM prend en charge les langues suivantes pour la transcription et la traduction.

Découvrez les différents types et fonctionnalités des voix vocales Azure, ou passez à la table complète Text to speech voix.

Types de voix

Le tableau de cette section représente les paramètres régionaux et les voix pris en charge par la synthèse vocale. Pour plus d’informations, consultez les notes de section suivantes. D’autres remarques concernant les paramètres régionaux de synthèse vocale sont incluses dans les styles et rôles vocaux, les voix standard, les voix professionnelles et les sections voix personnelles de cet article.

Voix standard

Chaque voix standard prend en charge une langue et un dialecte spécifiques, identifiés par les paramètres régionaux. Vous pouvez essayer la démonstration et entendre les voix dans la galerie voice.

Chaque modèle vocal standard est disponible à 24 kHz et à haute fidélité 48 kHz. Vous pouvez obtenir d’autres taux d’échantillonnage par le biais d’un upsampling ou d’un downsampling lors de la synthèse.

Voix multilingues

Voix avec des noms qui incluent MultilingualNeural, DragonHDLatestNeuralou DragonHDOmniLatestNeural prennent en charge plusieurs langues. Ces voix permettent une synthèse vocale expressive entre les langues, ce qui permet de réduire les barrières linguistiques et de prendre en charge la communication globale inclusive.

DragonHDLatestNeural et DragonHDOmniLatestNeural sont des voix de haute définition neuronale (HD) basées sur de grands modèles de langage (LLMs). Ils peuvent comprendre le contenu sémantique du texte d’entrée, détecter automatiquement des signaux émotionnels, et ajuster le style et le ton de parole en temps réel pour mieux correspondre au sentiment. Les voix HD conservent une persona vocale cohérente avec leurs équivalents non HD (neuronaux) tout en fournissant des fonctionnalités améliorées grâce à une compréhension contextuelle améliorée.

MultilingualNeural les voix représentent une génération antérieure de technologies multilingues. Ils offrent une haute naturalité, mais n’ont pas le même niveau de sensibilisation contextuelle que les voix HD.

Le préfixe des paramètres régionaux indique les paramètres régionaux principaux de la voix. Par exemple, pour la voix en‑US‑AndrewMultilingualNeural, le préfixe des paramètres régionaux est en‑US, qui est le premier segment du nom de la voix.

Voix multilocatérantes

Les voix multi-talker permettent des conversations naturelles et dynamiques avec plusieurs haut-parleurs distincts. Cette innovation améliore le réalisme des dialogues synthétisés en préservant le flux contextuel, la cohérence émotionnelle et les modèles de parole naturelle.

Utilisez cette fonctionnalité pour générer des échanges vocaux de style podcast ou conversationnels attrayants avec des transitions transparentes entre les orateurs. Contrairement aux modèles monoparentaux, qui synthétisent chaque tour en isolement, les voix multi-talker maintiennent la cohérence entre les dialogues. Cette cohérence permet de garantir une expérience d’écoute plus authentique et immersive.

Pour plus d’informations sur l’utilisation de voix multi-talker via SSML (Speech Synthesis Markup Language), consultez l’exemple de voix multi-talker.

Styles et rôles vocaux

Dans certains cas, vous pouvez ajuster le style de parole pour exprimer des émotions telles que la gaieté, l’empathie et le calme. Toutes les voix standard avec des styles de parole et des voix personnalisées à plusieurs styles prennent en charge l’ajustement du degré de style. Vous pouvez optimiser la voix pour les scénarios tels que le service à la clientèle, le newscast et l’assistant vocal. Avec les rôles, la même voix peut agir comme un âge et un sexe différents.

Pour savoir comment configurer et ajuster des styles et des rôles vocaux, consultez Utiliser des styles et des rôles parlants.

Conversion vocale

La conversion vocale est une fonctionnalité permettant de transformer les caractéristiques vocales de l’audio en haut-parleur vocal cible. Le tableau suivant récapitule les paramètres régionaux pris en charge pour la conversion vocale. Chaque langue est disponible dans toutes les régions de conversion vocale.

Voix de synthèse vocale