¿Qué es el texto a voz neuronal?

El texto a voz neuronal de Microsoft usa redes neuronales profundas para hacer que las voces de los equipos no se distingan prácticamente de las grabaciones de personas. Con su prosodia natural similar a la humana y la clara articulación de las palabras, el texto a voz neuronal ha reducido considerablemente la fatiga de la escucha que aparece cuando se interactúa con sistemas de inteligencia artificial.

Los patrones de acentuación y entonación en el lenguaje hablado se denominan prosodia. Los sistemas de texto a voz tradicionales desglosan la prosodia en pasos de predicción acústica y análisis lingüísticos independientes que rigen modelos independientes. Esto puede dar lugar a una síntesis de voz amortiguada y con ruido. La funcionalidad de texto a voz neuronal de Microsoft realiza la predicción de prosodia y la síntesis de voz simultáneamente, usa redes neuronales profundas para superar los límites de los sistemas de texto a voz tradicionales y así poder hacer coincidir los patrones de acentuación y entonación en el lenguaje hablado, y sintetiza las unidades del habla en una voz del equipo. El resultado es una voz más fluida y natural.

En esta introducción, encontrará información sobre las ventajas y las funcionalidades del servicio de conversión de texto a voz. Con este servicio, sus aplicaciones, herramientas o dispositivos podrán convertir un texto en voz sintetizada similar a la de los humanos. Use voces neuronales humanizadas o cree una voz personalizada única para su producto o marca. Para obtener una lista completa de las voces, los idiomas y las configuraciones regionales compatibles, consulte Idiomas admitidos.

Esta documentación contiene los siguientes tipos de artículos:

• Los inicios rápidos son instrucciones de inicio que le guiarán a la hora de hacer solicitudes al servicio.
• Las guías de procedimientos contienen instrucciones para usar el servicio de una manera más específica o personalizada.
• Los conceptos proporcionan explicaciones detalladas sobre la funcionalidad y las características del servicio.
• Los tutoriales son guías más largas que muestran cómo usar el servicio como componente de soluciones empresariales más amplias.

Características principales

• Síntesis de voz: use el SDK de voz o la API de REST para convertir texto a voz mediante las voces neuronales de la plataforma o las voces neuronales personalizadas.

• Síntesis asincrónica de audio de larga duración: use Long Audio API para sintetizar asincrónicamente archivos de texto a voz de más de 10 minutos (por ejemplo, audiolibros o audioconferencias). A diferencia de la síntesis realizada mediante el SDK de voz o la API de REST de voz a texto, las respuestas no se devuelven en tiempo real. La expectativa es que las solicitudes se envíen de forma asincrónica, se sondeen las respuestas y el audio sintetizado se descargue cuando esté disponible en el servicio.

• Voces neuronales de la plataforma: las redes neuronales profundas se usan para superar los límites de la síntesis de voz tradicional con respecto al acento y la entonación del lenguaje hablado. La predicción de la prosodia y la síntesis de voz se realizan simultáneamente, lo que resulta en una voz más fluida y natural. Las voces neuronales se pueden usar para que las interacciones con los bots de chat y los asistentes de voz sean más naturales y atractivas, para convertir textos digitales (por ejemplo, los libros electrónicos) en audiolibros y para mejorar los sistemas de navegación de los automóviles. Gracias a su prosodia natural similar a la humana y a la clara articulación de las palabras, las voces neuronales reducen considerablemente la fatiga al escucharlas que suele aparecer cuando los usuarios interactúan con sistemas de inteligencia artificial. Hay una lista completa de voces neuronales de la plataforma en Idiomas admitidos.

• Ajuste de la salida de TTS con SSML: el Lenguaje de marcado de síntesis de voz (SSML) es un lenguaje de marcado basado en XML que se usa para personalizar las salidas de texto a voz. Con SSML, no solo puede ajustar el tono, agregar pausas, mejorar la pronunciación, cambiar la velocidad de habla, ajustar el volumen y atribuir varias voces a un solo documento, sino también definir sus propios léxicos o cambiar a otros estilos de habla. Con las voces multilingües, también puede ajustar los idiomas de habla mediante SSML. Consulte Mejora de la síntesis con el Lenguaje de marcado de síntesis de voz (SSML) para ajustar la salida de voz para su escenario.

• Visemas: Visemas son los principales planteamientos de la voz observada, incluida la posición de los labios, mandíbula y lengua al producir un fonema determinado. Las visemas tienen una correlación fuerte con las voces y fonemas. Mediante el uso de eventos de visema en Speech SDK, puede generar datos de animaciones faciales, que se pueden usar para animar caras en la comunicación de lectura de LIP, educación, entretenimiento y servicio de atención al cliente. Actualmente, visema solo es compatible con las voces neuronales en en-US inglés (Estados Unidos).

Introducción

Consulte el inicio rápido para empezar a usar texto a voz. El servicio de texto a voz está disponible con el SDK de voz, la API REST y la CLI de voz.

Código de ejemplo

El ejemplo de código para texto a voz está disponible en GitHub. Estos ejemplos tratan la conversión de texto a voz en los lenguajes de programación más populares.

• Ejemplos de conversión de texto a voz (SDK)
• Ejemplos de texto a voz (REST)

Personalización

Además de las voces neuronales, puede crear y ajustar las voces personalizadas exclusivas del producto o la marca. Todo lo que se necesita para empezar son unos cuantos archivos de audio y las transcripciones asociadas. Para más información, consulte Introducción a voz personalizada.

Nota de precios

Al usar el servicio de texto a voz, se le facturará por cada carácter que se convierte a voz, incluida la puntuación. Si bien el documento SSML en sí no es facturable, los elementos opcionales que se usan para ajustar el modo de convertir el texto a voz, como los fonemas y el tono, se cuentan como caracteres facturables. Aquí tiene una lista de lo que se puede facturar:

• El texto que se ha pasado al servicio de texto a voz en el cuerpo SSML de la solicitud.
• Todas las marcas en el campo de texto del cuerpo de la solicitud que están en formato SSML, excepto las etiquetas <speak> y <voice>.
• Letras, puntuación, espacios, tabulaciones, marcas y todos los caracteres de espacios en blanco.
• Cada punto de código que se define en Unicode

Para obtener más información, consulte Precios.

Migración a Voz neuronal

Vamos a retirar las voces estándar el 31 de agosto de 2024 y ya no se admitirán después de esa fecha.El anuncio se envió a todas las suscripciones de Voz existentes antes del 31 de agosto de 2021. Durante el período de retirada (del 31 de agosto de 2021 al 31 de agosto de 2024), los usuarios de la voz estándar existentes pueden seguir usando sus voces estándar, todos los nuevos usuarios o nuevos recursos de voz deben moverse a las voces neuronales.

Acción requerida

1. Revise la estructura de precios y escuche las muestras de voz neuronal en la parte inferior de la página para determinar la voz adecuada para sus necesidades empresariales.
2. Para realizar el cambio, siga el código de ejemplo para actualizar el nombre de voz de la solicitud de síntesis de voz a los nombres de voz neuronal admitidos en los idiomas elegidos antes del 31 de agosto de 2024. A partir del 1 de septiembre de 2024, ya no se admitirán voces estándar. Use voces neuronales para la solicitud de síntesis de voz, en la nube o en el entorno local. Para el contenedor local, use los contenedores de voz neuronal y siga las instrucciones.

Documentos de referencia

• Acerca del SDK de Voz
• API REST: Text-to-speech (API de REST: Texto a voz)

Pasos siguientes

• Obtención de una suscripción de gratuita al servicio de voz
• Obtención del SDK de voz