Azure 的文本转语音服务

Azure 的文本转语音（Text to Speech）服务是 Microsoft Azure 认知服务（Cognitive Services）中的一部分，隶属于 Azure Speech 服务。它可以将文本内容转换为自然、接近人类的语音，适用于各种应用场景，如语音助手、视频配音、无障碍阅读等。

主要特点

1. 高自然度的语音（Neural TTS）

• 基于深度神经网络的语音合成技术（Neural TTS），支持 逼真自然的语音效果。

• 提供了超过 400 多种语音、140 多种语言和方言。

• 支持 语音风格（Style） 和 情感（Emotion） 控制，例如新闻、客服、播报、欢快、悲伤等语气。

1. 自定义语音（Custom Neural Voice）

• 可上传自己录制的语音素材，训练专属的 AI 声音。

• 适用于品牌化语音、虚拟人物等场景。

• 注意：必须通过 Microsoft 的审批，以防止滥用（如伪造语音）。

1. SSML 支持（语音合成标记语言）

• 支持 SSML 标准，可对语音的 语速、语调、停顿、音量、发音方式 等进行细致控制。

1. 语音合成输出格式

• 输出格式包括 PCM、MP3、OGG、WAV 等，适配各种平台和设备。

• 可用于实时播放，也可保存为音频文件。

  开发接入方式

1. REST API

• 发送 HTTP 请求即可实现语音合成，适合跨平台开发。

2. SDK 支持（Azure Speech SDK）

• 提供 C#, Java, Python, JavaScript 等多语言 SDK。

• 支持流式合成、语音事件监听、播放控制等功能。

3. CLI 和门户测试

• 可以在 Azure Portal 中在线测试语音合成。

• 也可以用 Azure CLI 管理语音资源。

  计费方式

  定价模型分为：

• 标准语音（Standard TTS）：按字符计费，较便宜。

• 神经语音（Neural TTS）：语音更自然，价格略高。

• 自定义神经语音（Custom Neural Voice）：需审批，训练和使用费用分开计费。

使用方法

✅ 使用场景举例

|场景|描述| |—|—| |视频配音|把字幕或剧本转成高质量语音| |虚拟客服|自动语音应答，结合语音识别| |无障碍辅助阅读|为视力障碍者朗读网页或文档| |教育 & 培训|合成教学内容| |物联网设备语音播报|如语音闹钟、导航仪、智能音箱| 安装官方sdk

Microsoft.CognitiveServices.Speech

示例代码（C#）

var config = SpeechConfig.FromSubscription("YourAzureKey", "YourRegion");
config.SpeechSynthesisVoiceName = "zh-CN-XiaoxiaoNeural";

using var synthesizer = new SpeechSynthesizer(config);
var result = await synthesizer.SpeakTextAsync("你好，欢迎使用 Azure 文本转语音服务！");

SSML

| 参数 | 说明 | 推荐写法及单位 | 取值范围 / 说明 | 备注 | | ———— | —— | ———————— | ————————————— | ————————— | | rate | 语速 | 浮点倍率，如 1.0 | 0.5 ~ 2.0 （0.5 超慢，2.0 超快） | 推荐倍率，不建议用百分比字符串 | | volume | 音量 | 浮点倍率，如 1.0 | 0.0 ~ 2.0 （0 静音，2 最大增强） | 支持字符串值（default, x-loud）但不推荐 | | pitch | 音调 | Hz，如 +50Hz、-30Hz | -500Hz ~ +500Hz | 以 Hz 计，整数，0 为默认 | | break | 句中停顿时间 | 秒数字符串，如 0.5s | 最小 0.001s，最大约 10s | 也支持毫秒，如 500ms | | emphasis | 语气强调 | 字符串，如 strong | strong, moderate, reduced | 无标签即无强调 | | style | 说话风格 | 字符串，如 chat | 依voice支持，如 general, chat, angry 等 | 可选，未设置默认普通风格 | | role | 角色 | 字符串，如 youngAdultFemale | 依voice支持，如 girl, seniorMale | 可选 | https://learn.microsoft.com/en-us/azure/ai-services/speech-service/speech-synthesis-markup-voice

test: https://www.text-to-speech.cn/

Google 的text to speech 服务

Google 的 Text-to-Speech（文本转语音）服务是 Google Cloud Text-to-Speech API，是 Google Cloud Platform（GCP）提供的 AI 服务之一。它可以将文字内容合成成自然语音，广泛用于语音助手、IVR 系统、视频配音、教育、可访问性等场景。

核心特点

1. 自然逼真的声音（WaveNet 模型）

• 使用 DeepMind 提出的 WaveNet 模型，语音自然度高于传统 TTS 技术。

• 支持 超过 400 多种声音，50 多种语言和变体（包括中、英、日、韩、西班牙等）。

• 可选择 Standard（标准）和 WaveNet（高质量）语音：

  • Standard：传统的语音模型，价格低。

  • WaveNet：高自然度语音，语调、节奏更接近人类。

1. 灵活的语音控制

• 支持 SSML（Speech Synthesis Markup Language），控制语音速度、音量、音高、停顿、发音方式等。

• 可选择不同的语音角色、性别、口音。

1. 实时与离线支持

• 支持将文本实时合成为音频流，或直接导出为 .mp3, .ogg, .wav 等格式音频文件。

1. 语音调优功能

• Speaking Rate（语速）

• Pitch（音高）

• Volume Gain（音量增益）

• Audio Profile（设备优化）：如电话、扬声器、耳机、车载等设备优化播放效果。

  接入方式

1. REST API

• 通过 HTTPS 请求调用，支持 JSON 请求体和 Base64 编码的音频响应。

2. Google Cloud Client Libraries

• 提供官方 SDK（支持 Node.js、Python、Java、C#、Go 等），可快速集成。

3. Cloud Console 在线测试

• 在 GCP 控制台可直接测试不同语言和声音的效果。

  定价（2025 ）

|类型|计费单位|价格（美元）/ 百万字符| |—|—|—| |Standard TTS|每百万字符|$4.00 起| |WaveNet TTS|每百万字符|$16.00 起|

使用方法

使用场景

|应用领域|描述| |—|—| |智能客服|自动语音回答用户提问| |视频自动配音|自动将字幕转为高质量语音| |阅读辅助工具|辅助视力障碍者阅读文本| |语言学习|多语言、多口音训练| |IoT设备语音播报|如智能门铃、智能车载导航| 示例代码（Python）

from google.cloud import texttospeech

client = texttospeech.TextToSpeechClient()

input_text = texttospeech.SynthesisInput(text="你好，欢迎使用 Google 文字转语音服务。")

voice = texttospeech.VoiceSelectionParams(
    language_code="zh-CN", name="zh-CN-Wavenet-A"
)

audio_config = texttospeech.AudioConfig(
    audio_encoding=texttospeech.AudioEncoding.MP3
)

response = client.synthesize_speech(
    input=input_text, voice=voice, audio_config=audio_config
)

with open("output.mp3", "wb") as out:
    out.write(response.audio_content)

FAQ

比较一下google，azure的服务

🔍 Azure vs Google Cloud 对比总表（2025 年版）

是否支持训练个人声音

Google Cloud Text-to-Speech 不支持公众用户自定义训练个人声音

也就是说，你不能像 Azure 的 Custom Neural Voice 那样，用自己的声音训练出一个专属语音模型。

Google 的限制原因：

1. 安全与伦理：语音克隆存在滥用风险（如假新闻、诈骗等），Google 对自定义声音保持非常严格的限制。

2. WaveNet 模型由 DeepMind 提供，不开放训练接口，仅允许使用其预训练的声音模型。

3. 企业级定制服务（如通过 Google Cloud 与 Google DeepMind 合作的项目）可能支持定制声音，但这通常需要：

   • 高额度的付费；

   • 法律合规审核；

   • 与 Google 团队签署特殊协议；

   • 并非对开发者或中小企业开放。 替代方案 如果你确实需要训练属于你自己的语音克隆模型，以下是一些可选平台：

|平台|是否支持自定义语音|备注| |—|—|—| |Microsoft Azure|✅ 支持 Custom Neural Voice|需申请，审核严格，适合正规企业| |ElevenLabs|✅ 支持快速语音克隆|在线上传几分钟语音即可合成| |Resemble.ai|✅ 支持语音克隆和情感合成|有免费试用，适合小规模实验| |iSpeech|✅ 支持定制语音|企业级，价格高| |OpenTTS / Coqui TTS|✅ 可本地训练|开源项目，需 GPU 和数据集|

推荐方案

如果你打算：

• 做高质量短视频配音或数字人项目，推荐用 Azure + 申请 Custom Neural Voice。

• 快速测试“用自己声音读脚本”的效果，ElevenLabs 或 Resemble.ai 是更轻便的选择。

• 完全本地部署（不上传到云端），考虑用 Coqui TTS 自己训练。 如你有音频样本，AI可以帮你判断是否适合训练，或者生成一份申请 Azure Custom Voice 的计划书草稿，也可以帮你写好训练数据格式、生成文本对齐、设计脚本等。如果你有目标平台，AI可以具体建议怎么实现。

  是否有免费额度

  免费额度一览

| 项目 | Azure TTS | Google TTS | | ——— | ——————- | ——————————- | | 免费字符配额 | 5,000,000/月（Neural） | 1,000,000/月（Standard + WaveNet） | | 免费时间限制 | 一年（绑定免费账户） | 永久（长期免费层） | | 账号注册是否送钱 | ✔️ $200（30 天） | ✔️ $300（90 天） | | 语音质量（免费层） | Neural（高） | WaveNet（高） |

有没有生成字幕的功能

是的，Google Cloud 和 Azure 都提供了 语音识别（Speech to Text） 服务，可以将语音内容识别为文字，从而生成字幕（transcript）。不过要注意：

✅ “文本转语音（TTS）” 是生成配音，
✅ “语音转文本（STT）” 才是生成字幕。

你需要的是 Speech-to-Text（STT）功能 来 生成字幕。

1. Google Cloud Speech-to-Text

🎯 支持功能：

• 实时或离线音频转写

• 返回每个字词的时间戳（用于字幕）

• 支持多语言、多口音（如普通话、粤语、英语、美音、英音等）

• 支持自动断句、自动标点、分段识别

示例：生成字幕 JSON（含时间戳）

{
  "alternatives": [
    {
      "transcript": "你好，欢迎来到字幕测试。",
      "words": [
        {
          "startTime": "0.500s",
          "endTime": "1.000s",
          "word": "你好"
        },
        {
          "startTime": "1.000s",
          "endTime": "2.500s",
          "word": "欢迎"
        }
      ]
    }
  ]
}

你可以将其导出为 SRT、VTT 或 ASS 字幕文件。

Azure Speech-to-Text

🎯 支持功能：

• 离线音频识别或实时流识别

• 支持 词级别时间戳

• 支持 自动分段输出（适合字幕）

• 支持多语种、多口音

• 提供 Conversation Transcription（对话转录） 和 字幕格式导出

🧪 返回结果示例（可转 SRT）：

Azure STT 返回的是 JSON 结构，你可以提取以下字段来生成字幕：

{
  "DisplayText": "你好，欢迎使用 Azure。",
  "Offset": 3000000,
  "Duration": 12000000
}

• Offset 是开始时间（单位 100ns）
• Duration 是持续时间

可以自行转成标准 SRT 格式。

微软TTS对于免费用户的限制

微软 Azure 的文本转语音（TTS）免费用户 在使用时有长度限制和配额限制，具体取决于你使用的是 免费试用订阅（Free Tier） 还是 始终免费（Always Free） 服务。

| 限制类型 | 免费试用（前12个月） | 永久免费（Always Free） | | ———— | ————————————————————– | ———————– | | 每月免费字符数 | 0.5M（神经语音）
5M（标准语音） | 50K（仅标准语音） | | 支持的语音类型 | ✅ 神经语音（如 en-US-JennyNeural）
✅ 标准语音（如 en-US-Guy24kRUS） | ❌ 神经语音（需付费）
✅ 标准语音 | | 单次请求最长音频 | ≤10 分钟 | ≤10 分钟 | | 请求频率限制 | 每分钟 ≤200 次 API 调用 | 每分钟 ≤200 次 API 调用 | | 音频输出格式 | MP3、WAV、OGG、AAC 等 | MP3、WAV、OGG、AAC 等 | | 是否需信用卡 | ❌ 无需（但注册时可选绑定） | ❌ 无需 | | 超出限制后的费用 | 神经语音：$16/百万字符
标准语音：$4/百万字符 | 标准语音：$4/百万字符 |

10 分钟限制下的字数估算

考虑到语速影响，下表再砍掉25%，保守一点。

| 语音类型 | 语言 | 字数（10分钟） | 字符数（Azure计费） | | ——– | —— | ———— | —————- | | 神经语音 | 英文 | ~1,500 词 | ~30,000 字符 | | 神经语音 | 中文 | ~3,000 字 | ~30,000 字符 | | 标准语音 | 英文 | ~2,000 词 | ~20,000 字符 | | 标准语音 | 中文 | ~4,000 字 | ~20,000 字符 |

10分钟的讲话，英文，中文平均各讲多少个字符，多少个单词，多少句子？

英文（English）

• 平均语速：130–160 单词/分钟（一般演讲）
• 10分钟总词数：约 1,300 – 1,600 words
• 平均句长：约 15–20 个词/句
• 句子数：约 80 – 110 句
• 平均字符数：每单词约 5 个字母 + 空格，粗略计算每词 6 字符
• 总字符数：约 7,800 – 9,600 字符（包括空格）

中文（Chinese）

• 平均语速：260–300 字/分钟（含停顿）
• 10分钟总字数：约 2,600 – 3,000 汉字
• 平均句长：约 10–15 字/句
• 句子数：约 200 – 300 句
• 总字符数：与总字数基本一致：约 2,600 – 3,000 字符 10分钟的讲话，总结对比表

怎么知道用的是标准语音，还是神经语音

|判断方式|神经语音（Neural TTS）|标准语音（Standard TTS）| |—|—|—| |语音名称|以 Neural 结尾（如 YunxiNeural）|无 Neural（如 Yunyang）| |Speech Studio 分类|标注为 “Neural”|标注为 “Standard”| |API/SDK 参数|必须指定 Neural 语音名|使用普通语音名| |音质与功能|自然、支持情感|机械、无情感| |价格|$16/百万字符|$4/百万字符| 如何绕过限制？ 如果免费额度不够，你可以： ✅ 拆分长文本（每次请求 <10 分钟，然后拼接 MP3） ✅ 使用标准语音（非神经）（更节省字符） ✅ 升级到付费订阅（按量计费，$16/百万字符神经语音）

如何查看剩余免费额度？

你可以在 Azure 门户 查看使用情况：

1. 登录 Azure 门户
2. 进入 “Cognitive Services” → 你的 Speech 资源
3. 在 “Metrics”（指标） 或 “Quotas”（配额） 查看已用字符数

   怎么本地生成字幕？

   如果你是先从文本转语音（TTS）生成配音，然后想反向生成字幕（例如给配音生成时间轴）

这可以通过以下方式实现：

1. 配音文本已经有结构（每句配音对一个字幕）
2. 用 FFmpeg 或 TTS 的时长估算每段语音的时间（或用语音对齐工具如 Gentle、aeneas）
3. 生成 SRT/VTT 格式字幕

实现步骤详解：

1. 你已经有配音文本结构 即：你不是从人说话中提取文字（STT），而是你一开始就有：

第1句：你好，欢迎来到我们的频道。
第2句：今天我们讲讲冷知识：猫为什么晚上很活跃？
第3句：快来猜猜正确答案是哪一个吧！

这些是你传给 TTS 的原始文本，每一段对应一段配音。 你只需要为每句语音生成正确的“起止时间” → 自动生成字幕。

2. 获取每段语音的起止时间（时间轴）的方法 你需要知道每句配音在最终合成音频中的 起始时间 + 时长。

方式 A：估算（TTS 合成后估算时间）

• 使用 Azure 或 Google TTS 的 合成结果时长（通常可以获取总音频时长）
• 每句语音可以按字数或句子比例估算时间（如总 3 句，合成音频 9.6 秒）

  每句配音所占时间 ≈ 总时长 ×（该句字符数 / 总字符数）
  

  ✅ 优点：实现简单
  ⚠️ 缺点：精度不高，特别是长句、短句混排时

方式 B：使用 自动语音对齐工具（推荐） 这些工具可以将音频与原始文本“对齐”，自动输出字幕时间戳：

| 工具 | 说明 | | ———- | ———————————- | | Gentle | 基于 Kaldi 的自动对齐工具（英文效果极佳） | | aeneas | 多语言支持的强大对齐工具，支持 SRT/VTT 导出 | | MFA | Montreal Forced Aligner，适用于多种语音学任务 | 你只需要提供：

• 配音音频（mp3/wav）
• 原始文本（utf-8纯文本）
  它就会输出 .srt 字幕文件，每句话时间精准同步。

3. 生成标准字幕格式（.srt / .vtt） 工具会自动生成类似这样的内容：

1
00:00:00,000 --> 00:00:02,500
你好，欢迎来到我们的频道。

2
00:00:02,501 --> 00:00:06,000
今天我们讲讲冷知识：猫为什么晚上很活跃？

3
00:00:06,001 --> 00:00:08,000
快来猜猜正确答案是哪一个吧！

示例流程（使用 aeneas）

1. 安装： pip install aeneas

2. 准备音频 + 文本 your_audio.mp3 your_text.txt

3. 执行命令（生成 SRT） ```bash python -m aeneas.tools.execute_task
   your_audio.mp3
   your_text.txt
   “task_language=zh|is_text_type=plain|os_task_file_format=srt”
   your_output.srt

```

结论：推荐方案总结

| 方法 | 精度 | 难度 | 适用场景 | | ——— | —– | — | ———– | | 字符比例估算 | 低 | ⭐ | 快速估计，无需对齐工具 | | aeneas | 高 | ⭐⭐ | 多语言视频生成 | | Gentle | 高（英文） | ⭐⭐ | 英文配音视频 | | Azure STT | 中 | ⭐⭐ | 有语音无文字的反向识别 |

Azure 常用视频配音语音清单（Neural TTS）

Microsoft TTS Demo 页面

| VoiceName | 语言/区域 | 性别 | 支持风格（Style） | 推荐用途 | | ———————– | ——— | — | —————————————————- | ————– | | zh-CN-XiaoxiaoNeural | 中文普通话 | 女 | chat, cheerfulness, narration, customer-service | 标准中文配音、解说、情绪语气 | | zh-CN-YunjianNeural | 中文普通话 | 男 | newscast, customer-service, assistant | 男声讲解、旁白、客服语音 | | zh-CN-XiaochenNeural | 中文普通话 | 女 | news, chat, serious | 数字人女主播风格、冷知识 | | zh-CN-XiaohanNeural | 中文普通话 | 女 | chat | 轻松视频、生活方式配音 | | zh-CN-YunyangNeural | 中文普通话 | 男 | newscast | 严肃旁白、历史解说 | | zh-HK-HiuGaaiNeural | 粤语（香港） | 女 | default | 粤语短视频、本地特色 | | zh-TW-HsiaoChenNeural | 中文（台湾） | 女 | default | 台湾风格视频、娱乐八卦 | | en-US-JennyNeural | 英文（美音） | 女 | newscast, assistant, cheerful, empathetic, narration | 国际通用女声，官方配音感 | | en-US-GuyNeural | 英文（美音） | 男 | assistant, newscast, angry, excited, sad, friendly | 动感视频、游戏旁白 | | en-US-DavisNeural | 英文（美音） | 男 | chat, assistant | 轻松男声、AI 教学 | | en-GB-SoniaNeural | 英文（英音） | 女 | chat | 高级感、纪录片风格 | | ja-JP-NanamiNeural | 日语 | 女 | chat, customer-service | 二次元风格、日系内容 | | ko-KR-SunHiNeural | 韩语 | 女 | chat | 韩语娱乐、美妆相关 | | fr-FR-DeniseNeural | 法语 | 女 | cheerful | 法语教学、美食内容 | | es-ES-ElviraNeural | 西班牙语（西班牙） | 女 | cheerful, chat | 西语娱乐类、拉美市场内容 | | en-US-JaneNeural | | | | | | en-US-CoraNeural | | | | | 🧑‍🏫 英文中老年教授风格（严肃、清晰、有智慧感）

| VoiceName | 性别 | 区域 | 风格支持 | 推荐用途 | | ——————— | — | — | ——————- | ————— | | en-US-GuyNeural | 男 | 美音 | newscast, assistant | 稳重专业，适合讲解、历史、逻辑 | | en-US-DavisNeural | 男 | 美音 | assistant, chat | 声音柔和但有沉稳感，适合教学类 | | en-GB-RyanNeural | 男 | 英音 | newscast | 英伦口音教授风，适合纪录片风格 | | en-US-TonyNeural | 男 | 美音 | assistant | 成熟感中带亲和，类似友好导师 | | en-US-BrandonNeural | 男 | 美音 | default | 有点年长感，适合慢节奏讲述类 |

英文少年 / 10–15 岁男孩风格

注意：Azure 没有标明“age=child”的官方分类，但某些语音接近儿童或少年角色，以下是实测相似度较高的：

🎯 适合做“童声解说”、“青少年答题”、“趣味讲堂”、“迷你剧场”等内容。

适合讲历史故事的微软 TTS 声音推荐

中文（普通话）

| 名称 | 样式支持 | 特点分析 | 适合风格 | | —————————- | —————— | ————————- | ————————— | | zh-CN-YunxiNeural（云希） | 多种情感样式（含“叙述者”） | 男声，音色沉稳、清晰，节奏自然，非常适合讲述类内容 | 正剧风、史诗叙述 | | zh-CN-XiaomoNeural（晓墨） | 支持“愉快”“叙述者”等样式 | 女声，温柔知性，语速适中，适合温情讲述类历史故事 | 女性旁白、抒情历史 | | zh-CN-YunjianNeural（云健） | 支持“新闻播报”“叙述者” 男/中年 | 男声，音质干净，富有播报感，适合正式历史事件解说 | 历史纪录片风格。低沉浑厚，带权威感，语速平稳如史官叙事 | | zh-CN-XiaoxiaoNeural（晓晓） | 多样式支持（含“叙述者”） | 微微软标准女声，适合温和清晰的历史介绍 | 教育类历史讲述 | | 晓辰（女 | 女/青年 | 清亮婉转，擅长情感起伏，适合演绎人物对话 | 民间故事、情感历史 | | 晓悠（女） | 女/中年 | 温和知性，带有学者气质，停顿节奏精准 | 文化解说、文物历史 | | 云扬（男） | 男/青年 | 朝气蓬勃，语速较快，适合年轻化叙事 | 历史趣闻、少儿历史 | | 晓墨（女） | 女/老年 | 略带沙哑的”说书人”音色，自带沧桑感 | 传统评书、传奇故事 | | | | | |

• 云健（中）↔ Davis（英） （权威感配对）
• 晓悠（中）↔ Jenny（英） （学者型配对）

| 场景 | 中文配音 | 英文配音 | | ———– | ——————————————— | ——————————————————————— | | 正史类（帝王将相） | 云希 + narration
云健（主叙） + 晓辰（人物对话）/ 晓墨（引文） | Guy + narration-professional
Davis（主叙） + Andrew（引述史料） | | 女性视角（后宫、佳人） | 晓墨 + affectionate | Jenny + narration-relaxed
Aria/Jenny（主） + Amber（细节描写）/Andrew（史料） | | 纪录片风格 | 云健 + newscast | Aria + documentary-narration | | 教育类，文化类 | 晓晓 + 默认
晓悠（学者视角） + 云扬（补充提问 | Davis + 默认 | | 儿童故事 | 晓辰（中） | Amber（英） |

英文（美式英语）

🔍 建议搭配使用的样式标签（Style）

微软 TTS 支持 Style + Role 标签（SSML语法），建议为历史故事配音时使用：

• style="narration" （叙述类）
• style="documentary-narration" （纪录片叙述，英文可用）
• style="newscast" （官方播报感，适合正式历史事件）
• style="affectionate" / style="calm"（柔情版本，适合回忆体）

  我的选择

  英文男

• GuyNeural 是最“全能”的声音，适合故事感强、情感丰富的讲述。
• DavisNeural 偏温情悬疑和细腻叙事。
• JasonNeural 活力轻松，适合幽默风格。
• TonyNeural 稳重成熟，适合庄重权威类内容。

  英文女

中文男

简要说明：

• YunfengNeural：全能型，声音沉稳自然，情感丰富，适合所有三类故事。
• KangkangNeural：声音更年轻活泼，脑洞和儿童故事表现佳，历史故事适合轻松叙述。
• HuihuiNeural：声音温和，适合细腻和情感丰富的历史与儿童故事。
• HaoranNeural：较沉稳有权威感，适合严肃历史和悬疑脑洞，儿童故事使用较活泼styles。

推荐Styles简介：

• chat：口语化，亲切自然，适合讲故事。
• cheerful：欢快明朗，适合儿童和轻松故事。
• newscast：正式、权威，适合历史故事。
• empathetic：富有情感，适合情感细腻的故事。
• polite：礼貌温和，适合温馨故事和儿童故事。

中文女

References

Google Speech-to-Text Azure Speech to text

• Previous
  MaterialDesignInXamlToolkit Tutorial
• Next
  Text to srt Tutorial