使用Microsoft Azure生成慢速文本转语音的最低成本方案咨询

• 你当前的实现方式并非最低成本选项，因为每个单词单独嵌套<prosody>标签会额外产生大量计费字符，长期下来会增加不少成本。
• 解决默认语速过快的核心方案是自定义语音模型：
  • 登录Azure语音服务控制台，找到对应神经语音（it-IT-CataldoNeural）的自定义语音入口
  • 创建自定义语音项目，上传少量调整至0.8语速的音频及对应文本，完成模型训练后生成专属语音端点
  • 后续调用时直接使用这个自定义语音，默认语速就是你需要的0.8，无需在每个SSML请求中添加<prosody>标签，计费仅统计目标文本本身，彻底避免额外字符开销
• 针对非盈利项目，你可以申请Azure的非盈利组织专属优惠，进一步压缩成本
• 若暂时不想训练自定义模型，可采用批量打包方案减少额外字符：将多个单词或句子放在同一个SSML请求里，仅用一次<prosody>标签包裹全部内容，示例如下：

  <speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="it-IT">
    <voice xml:lang="it-IT" name="it-IT-CataldoNeural">
      <prosody rate="0.8">bene grazie ciao</prosody>
    </voice>
  </speak>
  

  这样额外的计费字符仅计算一次，而非每个单词重复叠加，能显著降低单批次请求的额外成本

内容的提问来源于stack exchange，提问作者jtsoftware