Compatibilidad con idiomas y voz para Azure Voz

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.

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 característica de formato de texto para mostrar: da-DK, en-INpt-BRen-PHen-NZen-NGen-IEen-SGen-HKen-GBen-CAen-USde-DEnb-NOko-KRen-AUfr-CAfr-FRfi-FIhi-INes-MXit-ITpt-PTnl-NLja-JPes-ESsv-SEtr-TRpl-PL, . zh-HKzh-CN

Traducción de voz de LLM

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

Obtenga información sobre los distintos tipos y características de Azure voz o vaya a la tabla completa Text to speech voice.

Tipos de voces

La tabla de esta sección representa las configuraciones regionales y las voces que admite el texto a voz. Para obtener más información, consulte las notas de la sección siguiente. En este artículo se incluyen más comentarios sobre las configuraciones regionales de texto a voz en los estilos y roles de voz, voces estándar, voz profesional y voz personal de este artículo.

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 voz.

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.

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 un rol de voz coherente con sus homólogos que no son HD (neuronales) al tiempo que proporcionan funcionalidades mejoradas a través de una comprensión contextual mejorada.

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.

El prefijo de configuración regional indica la configuración regional 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.

Voces de varios hablas

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 habla, que sintetizan cada turno de forma aislada, las voces de varios diálogos mantienen la coherencia entre diálogos. Esta coherencia ayuda a garantizar una experiencia de escucha más auténtica y envolvente.

Para obtener más información sobre cómo usar voces de varios diálogos a través del lenguaje de marcado de síntesis de voz (SSML), consulte Ejemplo de voz de varios hablas.

Estilos y roles de voz

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 género diferentes.

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

Conversión de voz

La conversión de voz es una característica para 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.

Voces de texto a voz