Voce incorporata

Il parlato incorporato è progettato per gli scenari su dispositivo conversione della voce in testo scritto e sintesi vocale, in cui la connettività cloud è intermittente o non disponibile. Ad esempio, è possibile usare il parlato incorporato per apparecchiature industriali, ad esempio, un'unità di aria condizionata abilitata a voce o un'auto che può andare fuori intervallo. È anche possibile sviluppare soluzioni cloud ibride e offline. Per gli scenari in cui i dispositivi devono trovarsi in un ambiente sicuro, ad esempio una banca o un'entità governativa, è necessario considerare innanzitutto i contenitori disconnessi.

Requisiti di piattaforma

Il parlato incorporato è incluso in Speech SDK (versione 1.24.1 e successive) per C#, C++e Java. Fare riferimento ai Requisiti generali per l’installazione di Speech SDK per informazioni dettagliate sul linguaggio di programmazione e sulla piattaforma di destinazione.

Scegliere l'ambiente di destinazione

Limiti

Il parlato incorporato è disponibile solo con gli SDK per C#, C++e Java. Gli altri Speech SDK, l'interfaccia della riga di comando di Voce e le API REST non supportano il parlato incorporato.

Il parlato incorporato supporta solo formati audio WAV mono a 16 bit, 8 kHz o 16 kHz con codifica PCM.

Le voci neurali incorporate supportano 24 kHz RIFF/RAW, con un requisito di RAM di 100 MB.

Pacchetti Speech SDK con parlato incorporato

dependencies {
    implementation 'com.microsoft.cognitiveservices.speech:client-sdk-embedded:1.40.0@aar'
}

Modelli e voci

Per il parlato incorporato è necessario scaricare i modelli di riconoscimento vocale per la conversione della voce in testo scritto e le voci per la sintesi vocale. Le istruzioni sono fornite al completamento corretto del processo di verifica di accesso limitato.

Sono disponibili i seguenti modelli di riconoscimento vocale: da-DK, de-DE, en-AU, en-CA, en-GB, en-IE, en-IN, en-NZ, en-US, es-ES, es-MX, fr-CA, fr-FR, it-IT, ja-JP, ko-KR, pt-BR, pt-PT, zh-CN, zh-HK, and zh-TW.

Tutte le impostazioni locali di sintesi vocale qui (tranne fa-IR, Persiano (Iran)) sono disponibili con 1 voce femminile selezionata e/o 1 voce maschile selezionata. Siamo lieti di ricevere il vostro input per aiutarci a misurare la domanda per più lingue e voci.

Configurazione del parlato incorporato

Per le applicazioni connesse al cloud, come mostrato nella maggior parte degli esempi di Speech SDK, usare l'oggetto SpeechConfig con una chiave e un'area della risorsa Voce. Per il parlato incorporato non usare una risorsa Voce. Al posto di una risorsa cloud usare modelli e voci scaricati nel dispositivo locale.

Utilizzare l'oggetto EmbeddedSpeechConfig per impostare il percorso dei modelli o delle voci. Se l'applicazione viene usata sia per la conversione della voce in testo scritto che per la sintesi vocale, è possibile usare lo stesso oggetto EmbeddedSpeechConfig per impostare la posizione dei modelli e delle voci.

// Provide the location of the models and voices.
List<string> paths = new List<string>();
paths.Add("C:\\dev\\embedded-speech\\stt-models");
paths.Add("C:\\dev\\embedded-speech\\tts-voices");
var embeddedSpeechConfig = EmbeddedSpeechConfig.FromPaths(paths.ToArray());

// For speech to text
embeddedSpeechConfig.SetSpeechRecognitionModel(
    "Microsoft Speech Recognizer en-US FP Model V8",
    Environment.GetEnvironmentVariable("EMBEDDED_SPEECH_MODEL_LICENSE"));

// For text to speech
embeddedSpeechConfig.SetSpeechSynthesisVoice(
    "Microsoft Server Speech Text to Speech Voice (en-US, JennyNeural)",
    Environment.GetEnvironmentVariable("EMBEDDED_SPEECH_MODEL_LICENSE"));
embeddedSpeechConfig.SetSpeechSynthesisOutputFormat(SpeechSynthesisOutputFormat.Riff24Khz16BitMonoPcm);

// Provide the location of the models and voices.
vector<string> paths;
paths.push_back("C:\\dev\\embedded-speech\\stt-models");
paths.push_back("C:\\dev\\embedded-speech\\tts-voices");
auto embeddedSpeechConfig = EmbeddedSpeechConfig::FromPaths(paths);

// For speech to text
embeddedSpeechConfig->SetSpeechRecognitionModel((
    "Microsoft Speech Recognizer en-US FP Model V8",
    GetEnvironmentVariable("EMBEDDED_SPEECH_MODEL_LICENSE"));

// For text to speech
embeddedSpeechConfig->SetSpeechSynthesisVoice(
    "Microsoft Server Speech Text to Speech Voice (en-US, JennyNeural)",
    GetEnvironmentVariable("EMBEDDED_SPEECH_MODEL_LICENSE"));
embeddedSpeechConfig->SetSpeechSynthesisOutputFormat(SpeechSynthesisOutputFormat::Riff24Khz16BitMonoPcm);

// Provide the location of the models and voices.
List<String> paths = new ArrayList<>();
paths.add("C:\\dev\\embedded-speech\\stt-models");
paths.add("C:\\dev\\embedded-speech\\tts-voices");
var embeddedSpeechConfig = EmbeddedSpeechConfig.fromPaths(paths);

// For speech to text
embeddedSpeechConfig.setSpeechRecognitionModel(
    "Microsoft Speech Recognizer en-US FP Model V8",
    System.getenv("EMBEDDED_SPEECH_MODEL_LICENSE"));

// For text to speech
embeddedSpeechConfig.setSpeechSynthesisVoice(
    "Microsoft Server Speech Text to Speech Voice (en-US, JennyNeural)",
    System.getenv("EMBEDDED_SPEECH_MODEL_LICENSE"));
embeddedSpeechConfig.setSpeechSynthesisOutputFormat(SpeechSynthesisOutputFormat.Riff24Khz16BitMonoPcm);

Esempi di codice di parlato incorporato

Parlato ibrido

Il parlato ibrido con l'oggetto HybridSpeechConfig usa il parlato del servizio cloud per impostazione predefinita e il parlato incorporato come fallback nel caso in cui la connettività cloud sia limitata o lenta.

Con la configurazione del parlato ibrido per (modelli di riconoscimento) la conversione della voce in testo scritto il parlato incorporato viene usato quando la connessione al servizio cloud ha esito negativo dopo diversi tentativi. Il riconoscimento potrebbe continuare a usare di nuovo il servizio cloud, se la connessione viene ripresa in un secondo momento.

Con la configurazione del parlato ibrido per (le voci) la sintesi vocalela sintesi incorporata e la sintesi cloud vengono eseguite in parallelo selezionando il risultato finale in base alla velocità di risposta. Il risultato migliore viene valutato di nuovo in ogni nuova richiesta di sintesi.

Parlato cloud

Per il parlato cloud usare l'oggetto SpeechConfig come mostrato in Avvio rapido: Conversione della voce in testo scritto e in Avvio rapido: Sintesi vocale. Per eseguire gli avvii rapidi sul parlato incorporato è possibile sostituire SpeechConfig con EmbeddedSpeechConfig o HybridSpeechConfig. La maggior parte degli altri codici di riconoscimento e sintesi vocale è identica nella configurazione cloud, incorporata o ibrida.

Funzionalità di voci incorporate

Per le voci incorporate, è essenziale notare che alcuni tag SSML potrebbero non essere attualmente supportati a causa delle differenze nella struttura del modello. Per informazioni dettagliate sui tag SSML non supportati, vedere la tabella seguente.

Passaggi successivi

• Informazioni sulla sintesi vocale su dispositivi in scenari disconnessi e ibridi
• Accesso limitato al parlato incorporato