Compatibilidad con idiomas y voz para Azure Speech

En la tabla de esta sección se resumen las configuraciones regionales admitidas para la transcripción en tiempo real, la transcripción rápida y la transcripción por lotes.

¹ El modelo es bilingüe y también admite inglés.

Voz personalizada

Para mejorar la precisión del reconocimiento de voz a texto, puede personalizar algunos lenguajes y modelos base. Dependiendo de la configuración regional, puede cargar audio con transcripciones con etiquetas humanas, texto sin formato, texto estructurado y datos de pronunciación. De forma predeterminada, todos los modelos base disponibles admiten la personalización de texto sin formato. Para obtener más información sobre la personalización, consulte ¿Qué es la voz personalizada?.

Compatibilidad con la visualización de voz personalizada

Estas configuraciones regionales admiten la función de formato de texto de visualización: da-DK, de-DE, en-AU, en-CA, en-GB, en-HK, en-IE, en-IN, en-NG, en-NZ, en-PH, en-SG, en-US, es-ES, es-MX, fi-FI, fr-CA, fr-FR, hi-IN, it-IT, ja-JP, ko-KR, nb-NO, nl-NL, pl-PL, pt-BR, pt-PT, sv-SE, tr-TR, zh-CN, zh-HK.

Traducción de voz de LLM

LLM Speech admite los siguientes idiomas para la transcripción y la traducción.

En la tabla de esta sección se resumen las configuraciones regionales y las voces compatibles con texto a voz. Para obtener más información, consulte las notas al pie de la tabla.

En este artículo se incluyen más comentarios sobre las configuraciones regionales de texto a voz en las secciones de estilos y roles de voz, voces estándar, voz profesional y voz personal.

¹ La voz neuronal está disponible en versión preliminar. Para obtener la lista actual de regiones que admiten voces y estilos en versión preliminar, consulte la tabla de regiones de Voz de Azure.

² La voz neuronal está disponible en versión preliminar pública. Para obtener la lista actual de regiones que admiten esta voz en versión preliminar pública, consulte la tabla de regiones de Voz de Azure.

³ Los fonemas, el léxico personalizado y los visemas no son compatibles. Para obtener más información sobre los visemas admitidos, consulte la tabla de configuraciones de visema regionales.

⁴ La voz neuronal es una voz multilingüe en el servicio Azure Speech. La versión turbo de las voces de Azure OpenAI tiene un rol de voz similar a las voces de Azure OpenAI, pero admite características adicionales. Las voces turbo admiten el conjunto completo de elementos SSML y más características (como el límite de palabras), al igual que otras voces de Voz de Azure.

⁵ Las voces de texto a voz de OpenAI en Azure Speech están en versión preliminar y solo están disponibles en centro-norte de EE. UU. (northcentralus) y centro de Suecia (swedencentral). Las configuraciones regionales no enumeradas para las voces de OpenAI no son compatibles. Para más información sobre las diferencias adicionales entre las voces de texto a voz de OpenAI y las voces de texto a voz de Azure Speech, consulte Voces de texto a voz de OpenAI.

⁶ La voz zh-CN-XiaoxiaoDialectsNeural también admite las siguientes configuraciones regionales secundarias: zh-CN-shaanxi, zh-CN-sichuan, zh-CN-shanxi, zh-CN-anhui, zh-CN-hunan, zh-CN-gansu, zh-CN-shandong, zh-CN-henan, zh-CN-liaoning, zh-TW, nan-CN, yue-CN, y wuu-CN. Para obtener la lista más reciente de locales secundarios admitidos, consulte la Referencia de la API de Lista de Voz.

⁷ La voz de múltiples interlocutores está disponible en versión preliminar en estas regiones de servicio: Este de EE. UU., Oeste de Europa y Sudeste de Asia. Solo se admite contenido en-US para esta voz.

Voces multilingües

Voces con nombres que incluyen MultilingualNeural, DragonHDLatestNeuralo DragonHDOmniLatestNeural admiten varios idiomas. Estas voces permiten la síntesis expresiva de voz entre idiomas, lo que ayuda a reducir las barreras del lenguaje y a admitir la comunicación global inclusiva.

DragonHDLatestNeural y DragonHDOmniLatestNeural son voces neuronales de alta definición (HD) basadas en modelos de lenguaje grandes (LLM). Pueden comprender el contenido semántico del texto de entrada, detectar automáticamente las indicaciones emocionales y ajustar el estilo y el tono de habla en tiempo real para que coincida mejor con la opinión. Las voces de HD mantienen una personalidad de voz coherente con sus homólogos no HD (neuronales) mientras proporcionan capacidades mejoradas gracias a una comprensión más avanzada del contexto.

MultilingualNeural las voces representan una generación anterior de tecnología multilingüe. Ofrecen alta naturalidad, pero no tienen el mismo nivel de reconocimiento contextual que las voces hd.

En la tabla siguiente se enumeran todos los idiomas de habla admitidos para cada voz multilingüe. Si una voz no admite el idioma del texto de entrada, Azure Speech no devuelve el audio sintetizado. La tabla se ordena en orden descendente por el número de idiomas admitidos.

El prefijo de localización indica la localización principal de la voz. Por ejemplo, para la voz en‑US‑AndrewMultilingualNeural, el prefijo de configuración regional es en‑US, que es el primer segmento del nombre de voz.

¹ La voz neuronal está disponible en versión preliminar. Para obtener la lista actual de regiones que admiten voces y estilos en versión preliminar, consulte la tabla de regiones de Voz de Azure.

² La voz neuronal es una voz multilingüe en Azure Speech. La versión turbo de las voces de Azure OpenAI tiene un rol de voz similar a las voces de Azure OpenAI, pero admite características adicionales. Las voces turbo admiten el conjunto completo de elementos SSML y más características (como el límite de palabras), al igual que otras voces de Voz de Azure. Todas las voces multilingües pueden hablar en el idioma detectado de forma automática del texto de entrada en la configuración regional predeterminada sin usar SSML. Sin embargo, todavía puede usar el <lang xml:lang> elemento para establecer el énfasis de habla preferido de cada idioma, como un acento británico (en-GB) para inglés.

³ Las voces de texto a voz de OpenAI en Azure Speech están en versión preliminar y solo están disponibles en centro-norte de EE. UU. (northcentralus) y centro de Suecia (swedencentral). Las configuraciones regionales no enumeradas para las voces de OpenAI no son compatibles. Para más información sobre las diferencias adicionales entre las voces de texto a voz de OpenAI y las voces de texto a voz de Azure Speech, consulte Voces de texto a voz de OpenAI.

⁴ Para obtener la lista actual de regiones en las que esta voz está disponible con carácter general, consulte la tabla de regiones de Voz de Azure.

⁵ La voz está disponible en la ChinaNorth3 región.

Voces de varios hablantes

Las voces de varios hablantes permiten conversaciones naturales y dinámicas con varios hablantes distintos. Esta innovación mejora el realismo de los diálogos sintetizados conservando el flujo contextual, la coherencia emocional y los patrones de voz naturales.

Use esta funcionalidad para generar intercambios de voz o conversación atractivos y de estilo podcast con transiciones sin problemas entre hablantes. A diferencia de los modelos de un solo hablante, que sintetizan cada turno de forma aislada, las voces de varios hablantes mantienen la coherencia a lo largo del diálogo. Esta coherencia ayuda a garantizar una experiencia de escucha más auténtica y envolvente.

¹ La voz neuronal está disponible en versión preliminar. Para obtener la lista actual de regiones que admiten voces y estilos en versión preliminar pública, consulte la tabla de regiones de Voz de Azure.

Para obtener más información sobre cómo usar voces de varios hablantes mediante el lenguaje de marcado de síntesis de voz (SSML), consulte Ejemplo de voz de varios hablantes.

Estilos y roles de Voice

En algunos casos, puedes ajustar el estilo de habla para expresar emociones como alegría, empatía y calma. Todas las voces estándar con estilos de habla y voces personalizadas de varios estilos admiten el ajuste del grado de estilo. Puede optimizar la voz para escenarios como el servicio al cliente, la difusión de noticias y el asistente de voz. Con los roles, la misma voz puede actuar como una edad y un sexo diferentes.

Para obtener información sobre cómo configurar y ajustar los estilos y roles de voz, consulte Uso de roles y estilos de habla.

Use la tabla siguiente para determinar los estilos y roles admitidos para cada voz.

¹ La voz neuronal está disponible en versión preliminar. Las voces y los estilos de la versión preliminar solo están disponibles en tres regiones de servicio: Este de EE. UU., Oeste de Europa y Sudeste de Asia.

² El advertisement-upbeat estilo de esta voz está en versión preliminar y solo está disponible en tres regiones de servicio: Este de EE. UU., Oeste de Europa y Sudeste asiático.

³ El sports-commentary estilo de esta voz está en versión preliminar y solo está disponible en tres regiones de servicio: Este de EE. UU., Oeste de Europa y Sudeste asiático.

⁴ El sports-commentary-excited estilo de esta voz está en versión preliminar y solo está disponible en tres regiones de servicio: Este de EE. UU., Oeste de Europa y Sudeste asiático.

Visemas

En esta tabla se enumeran todas las configuraciones regionales admitidas para viseme. Para obtener más información sobre el visema, vea Obtener posición facial con viseme y elemento Viseme.

Voces estándar

Cada voz estándar admite un idioma y un dialecto específicos, identificados por la configuración regional. Puede probar la demostración y escuchar las voces en la Galería de voces.

Cada modelo de voz estándar está disponible a 24 kHz y alta fidelidad de 48 kHz. Puede obtener otras tasas de muestreo mediante el muestreo ascendente o el muestreo descendente al sintetizar.

Voz profesional

Use el ajuste de voz profesional para crear voces sintéticas enriquecidas en estilos de habla. Puede crear una voz de marca única en varios idiomas y estilos mediante un pequeño conjunto de datos de grabación. Las voces personalizadas de estilo múltiple admiten el ajuste del grado de estilo.

Seleccione la configuración regional derecha que coincida con los datos de su ajuste de voz profesional. Por ejemplo, si los datos de grabación se hablan en inglés con acento británico, seleccione en-GB.

Mediante la característica entre idiomas, puede transferir el modelo de voz personalizado para hablar un segundo idioma. Por ejemplo, con los datos de zh-CN, puede crear una voz que hable en-AU o cualquiera de los idiomas con compatibilidad multilingüe.

Para la característica entre idiomas, clasificamos las configuraciones regionales en dos niveles:

• Un nivel que incluye idiomas de origen que admiten la característica entre idiomas
• Un nivel que incluye localidades lingüísticas designadas como idiomas objetivo para la transferencia interlingüística

En la tabla siguiente se distinguen las configuraciones regionales que funcionan como orígenes y destinos entre idiomas de las configuraciones regionales que son aptas únicamente como configuraciones regionales de destino para la transferencia entre idiomas.

Voz personal

La voz personal es una característica para crear una voz que suena como usted o sus usuarios. En la tabla siguiente se resumen las configuraciones regionales admitidas para la voz personal.

Conversión de voz

La conversión de voz es una función que permite transformar las características de voz del audio en un altavoz de voz de destino. En la tabla siguiente se resumen las configuraciones regionales admitidas para la conversión de voz. Cada idioma está disponible en todas las regiones de conversión de voz.

En la tabla de esta sección se resumen las 33 configuraciones regionales admitidas para la evaluación de pronunciación. Cada idioma está disponible en todas las regiones de conversión de voz a texto. La actualización más reciente amplía el soporte del inglés a 32 idiomas más e introduce mejoras de calidad en las características existentes, incluidas la precisión, la fluidez y la evaluación de errores. Debe especificar el idioma que está aprendiendo o practicando mejorando la pronunciación. El idioma predeterminado es en-US.

Si conoce el idioma de aprendizaje de destino, establezca la configuración regional en consecuencia. Por ejemplo, si está aprendiendo inglés británico, debe especificar el idioma como en-GB. Si está enseñando un idioma más amplio, como español, y no está seguro de qué configuración regional seleccionar, puede ejecutar varios modelos de énfasis (es-ES, es-MX) para determinar el que logra la puntuación más alta para adaptarse a su escenario específico.

Si está interesado en idiomas que no aparecen en la tabla siguiente, rellene este formulario de admisión para obtener más ayuda.

Traducción de voz en tiempo real

En la tabla de esta sección se resumen las configuraciones regionales admitidas para la traducción de voz. La traducción de voz admite varios idiomas para la traducción de voz a voz y conversión de voz a texto. Los idiomas de destino admitidos dependen de si el destino de traducción es voz o texto.

Traducción de un idioma

Para establecer el idioma de reconocimiento de voz de entrada, especifique la configuración local completa con un separador de guiones (-). Consulte la tabla de idiomas de conversión de voz a texto. Se admiten todos los idiomas, excepto jv-ID y wuu-CN. El idioma predeterminado es en-US si no especifica un idioma.

Traducción a texto

Para establecer el idioma de destino de traducción, normalmente solo se especifica el código de idioma que precede al separador de guiones (-) local. Por ejemplo, use es para español (España) en lugar de es-ES. El idioma predeterminado es en si no especifica un idioma.

Traducción de vídeo

En la tabla de esta sección se resumen las configuraciones regionales admitidas para la traducción de vídeo. La traducción de vídeo admite varios idiomas para voz estándar (plataforma) y voz personal. Los idiomas de origen y destino disponibles dependen de si el origen de traducción es de voz estándar o personal.