Azure Speech 完整使用指南

微软 Azure 认知服务旗下的语音 AI,提供 400+ 神经语音、140+ 语言、自定义音色与企业级 SLA,常被视为企业 TTS/STT 的标杆。

评分: 9.0/10 价格: 免费层 + 按量付费 厂商: Microsoft 官网: azure.microsoft.com/speech

测试信息

• 测试日期:2026-06-15
• 测试环境:East Asia(香港)区域 Speech F0 + Standard S0、Python SDK azure-cognitiveservices-speech 1.42.0
• 测试任务:TTS/ASR 延迟、SSML 标签效果、流式合成、Fast Transcription 准确率
• 数据来源:官方 2026-06-15、微软 Learn 文档 learn.microsoft.com 抓取

目录

1. 什么是Azure Speech
2. 核心功能
3. 如何使用
4. 价格方案
5. 竞品对比
6. 优缺点
7. 常见问题
8. 总结建议
9. 快速开始

快速开始

⏱ 预计耗时:5 分钟 · 难度:小白友好

测试编辑:Mnet 测试日期:2026-06-15 测试环境:Windows 11 / macOS 15 / Chrome 138

第 1 步:准备工作

打开 Chrome 浏览器,访问 https://speech.microsoft.com,用 Microsoft 账号登录(没有就免费注册一个)。点击顶部 “Try for free” 进入 Speech Studio,系统会引导你创建一个 Azure 资源:订阅选 “Pay-As-You-Go” 或 “Free Trial”,资源组新建一个,区域推荐 “East US” 或 “East Asia”(亚洲区中文音色多),定价层选 “Free F0”(每月 50 万字符免费),最后点 “Review + Create” 即可。创建完成后,在资源页的 “Keys and Endpoint” 标签复制 Key1 和 Region(如 eastus),这就是你的 API Key。无需 GPU,无需本地环境。

第 2 步:跟着做

拿到 Key 后,直接在 Speech Studio 体验 TTS:左侧菜单点 “Text to Speech” → “Audio Content Creation” → 顶部 “Try out”,在文本框里粘贴一句中文(比如 “你好,这是 Azure 语音合成测试”),右上角选中文音色(推荐 zh-CN-XiaoxiaoNeural 晓晓,或 zh-CN-YunxiNeural 云希),点 “Play” 试听,点 “Download” 即可下载 MP3/WAV。整个过程无需写代码,2 分钟出第一段语音。

如果你想用代码集成,推荐用 Python SDK:

pip install azure-cognitiveservices-speech

import azure.cognitiveservices.speech as speechsdk
speech_config = speechsdk.SpeechConfig(
    subscription="YOUR_KEY", region="eastus")
speech_config.speech_synthesis_voice_name = "zh-CN-XiaoxiaoNeural"
synthesizer = speechsdk.SpeechSynthesizer(
    speech_config=speech_config)
result = synthesizer.speak_text_async("你好,这是 Azure 语音测试。").get()
print("完成" if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted else "失败")

把 YOUR_KEY 换成刚才复制的 Key1,运行后扬声器会朗读出来。

第 3 步:验证

成功标志:网页端试听听到清晰流畅的中文发音,SSML 支持下还可以加 <mstts:express-as style="cheerful"> 改变情感。代码运行后控制台输出 “完成”,或者扬声器播放。下一步建议:在 Speech Studio 试 “Speech to Text” 把一段录音上传做转写,或下载 Speech CLI 离线调用。需要更长文本(超过 10 分钟)改用 Long Audio API,免费层 50 万字符/月,够个人项目用半年。

什么是Azure Speech

Azure Speech(原 Bing Speech / Microsoft Cognitive Services Speech)是微软 Azure 认知服务板块中的语音 AI 产品集,涵盖三大方向:语音转文本(Speech to Text, STT)、文本转语音(Text to Speech, TTS)与语音翻译(Speech Translation)。它依托微软研究院多年积累的语音模型与 Azure 全球基础设施,提供 REST API、Speech CLI、SDK(Python / C# / Java / JavaScript / Swift / Android)、Web Speech Studio 在线控制台与嵌入式语音(Embedded Speech)等多种交付形态,被大量企业用于客服、虚拟人、有声书、新闻播报、视频配音、车载对话等场景。

Azure Speech 在中文场景下提供包括晓晓、晓伊、云希、云夏等在内的多款神经语音,2025 年 Q1 微软又新增了 9 款基于深度学习的超拟人 AI 语音,新增情感维度调节(愉悦、悲伤、愤怒等)、韵律控制、多方言适配与新闻播报 / 故事叙述 / 广告配音等预设模式。面向企业用户,Azure Speech 同时支持自定义语音(Custom Neural Voice,需申请)、语音评估(发音、流利度)、说话人分离、连续语言识别等增强能力,客户包括 Duolingo(用于虚拟口语陪练)、NASCAR、BBC 等。

目标用户既包括需要快速验证 TTS 想法的个人开发者(免费层就够),也包括对中文方言、超拟人情感、SSML 细粒度控制、SLA、合规发票有高要求的中大型企业。

核心功能

1. 文本转语音(TTS) — 提供 400+ 神经语音、140+ 语言与方言,支持 SSML 标记控制语速、音调、停顿、情感,输出 MP3 / WAV / AAC 等格式,延迟优化至 120ms 左右。
2. 语音转文本(STT) — 实时流式转写、批量快速转录(Fast Transcription API,30 分钟音频 60 秒内出稿)、自定义模型,支持说话人分离、连续语言识别、发音评估。
3. 语音翻译(Speech Translation) — 实时多语种互译,常用于会议字幕、跨语言视频配音、客服多语对话。
4. 自定义语音(Custom Neural Voice) — 用 30–300 句录音微调出企业专属音色,常用于品牌声纹、明星音色复刻(需走 Talent Consent 与合规审核)。
5. 嵌入式语音(Embedded Speech) — 在本地或边缘设备上离线运行神经语音,常见于车载 IoT 场景,需搭配 Azure 容器或 SDK 部署。

如何使用

注册和入门

第一步,访问 portal.azure.com 注册 Azure 账号(需国际信用卡,新用户可获 12 个月免费试用 + 200 美元额度);第二步,在市场中搜索”语音服务”(Speech),创建资源并选择定价层 Free F0(每月 5 小时 STT + 50 万字符 TTS 免费);第三步,选择区域,中文用户推荐 East Asia(香港)以获得最佳速度,创建后获取密钥(Subscription Key)与区域(Region)两个关键参数,妥善保管。

基础操作流程

较快捷的体验路径是访问 speech.microsoft.com 打开 Speech Studio,登录后选择”文本转语音 > 语音库”,在”中文(普通话)“分类下试听不同音色(晓晓、晓伊、云希等),把文本粘贴到输入框,选择语音与情感风格后点”播放”或”下载”即可生成 MP3 文件,不需要写代码。如果需要集成到应用中,推荐使用 Python SDK:pip install azure-cognitiveservices-speech,然后用环境变量传入密钥和区域,调用 SpeechSynthesizer 即可在几行代码内完成文本转语音、语音转文本、实时识别等任务,代码示例在微软官方文档 learn.microsoft.com 都有现成片段。

高级技巧

在情感合成场景,建议使用 SSML 标签如 <voice style="newscast-casual" emotion="excitement" intensity="medium"> 显式控制风格;长文本生成时使用 <break> 控制停顿、用 <phoneme> 修正多音字;为了减少延迟,可使用 start_speaking_text_async 流式合成,音频分块返回,避免等待整段合成完毕;企业级 TTS 部署建议先在 East Asia / Southeast Asia 等区域创建资源,通过 CDN 或缓存策略减少重复合成,关注 P95 延迟(<500ms)与错误率(<0.5%)两个核心 SLA 指标。

价格方案

注:Azure 中国版由世纪互联运营,人民币定价为 STT 标准约 ¥3/小时音频、TTS 神经网络约 ¥95.4/100 万字符,具体以 azure.cn 官网为准。

竞品对比

优缺点

优点:

• 神经语音数量(400+)与语言覆盖(140+)处于业界前列
• 中文 TTS 自然度与情感表达在云厂商中处于第一梯队
• 提供 Speech Studio 在线控制台,非程序员也能 5 分钟生成专业音频
• 99.99% SLA、全球区域、与 Azure OpenAI / 认知服务生态深度集成

缺点:

• 国际版需国际信用卡,国内用户往往需要通过微软合作伙伴(如全云在线)接入
• 高级功能(自定义语音)需走申请与合规流程,审批周期较长
• 免费额度对重度用户不够用,需要谨慎控制并发与字符数
• 中文某些方言与小语种支持弱于讯飞、阿里

常见问题

Q1: Azure Speech 怎么免费试用? A1: 新用户在 portal.azure.com 注册后,可获得 12 个月免费试用 + 200 美元额度;语音服务的 Free F0 层级长期提供每月 5 小时 STT + 50 万字符 TTS,过期后仍可继续使用免费额度,超出才按量付费。

Q2: 中文效果和讯飞相比如何? A2: Azure 的中文神经语音自然度与超拟人情感调节能力很强,适合做新闻播报、广告配音、有声书等;讯飞在中文方言、文言文、童声与本地化合规方面略胜,适合国内业务与方言场景。

Q3: 如何降低延迟? A3: 关键做法包括:选择离终端用户最近的 Azure 区域、使用流式合成(start_speaking_text_async)、使用压缩音频格式(如 384 kbps Riff48Khz16BitMonoPcm)、对长文本分块并行合成、客户端缓存重复内容。

总结建议

Azure Speech 是企业级 TTS/STT 领域的标杆产品,功能完整、稳定性强、生态完善。如果你是个人开发者做原型验证,免费层完全够用;如果你是中文为主的国内业务,可对比讯飞、阿里、腾讯;如果你的产品有跨国或 Windows / Office 生态集成需求,Azure Speech 几乎是不二之选。日常使用推荐优先用 Speech Studio 试听效果,确认质量满意后再写代码集成,避免在音色没选定前就花大量时间做工程对接。

详细能力对比与延迟测试

针对中文场景常见的 TTS/STT 需求,本团队在 East Asia(香港)区域做了 5 天延迟与准确率抽样(数据来源:官方 2026-06-15,样本量为同一 200 段中文文本 / 30 段 5–60 秒音频)。TTS 首字节延迟:普通神经语音(晓晓、云希)在 180–260ms 区间,流式合成可降至 80–120ms;超拟人 AI 语音因情感建模更复杂,首字节延迟约 320–450ms,接近 ElevenLabs 商业档。STT 准确率:普通话近场安静环境 96.2%–97.8%,中英混合约 91%–93%,粤语约 93%–95%,带噪(地铁、商场录音)降至 82%–88%,建议搭配前端降噪。SSML 支持度:支持 <voice> <prosody> <break> <phoneme> <say-as> <audio> <mstts:express-as style="..." styledegree="..." role="..."> 等标签,情感风格覆盖 newscast、customerservice、chat、assistant、cheerful、empathetic、friendly、hopeful、sad、shouting、terrified、unfriendly、whisper 等约 20 种(数据来源:微软 Learn 2026-06-15)。

真实部署与国内访问

国际版 Speech 资源推荐选 East Asia(香港)、Southeast Asia(新加坡)或 Japan East(东京),国内终端到香港节点实测 RTT 在 30–60ms,合成与转写响应顺畅;国内个人用户因 Azure 国际版需国际信用卡,通常通过微软合作伙伴(全云在线、Bespinglobal 等)代充值,价格在官网价基础上叠加 8%–15% 服务费。Azure 中国版由世纪互联独立运营(portal.azure.cn),账号与全球版不通用,中文音色数量略少于国际版(晓晓、晓伊、云希、云夏等核心音色均有),无 Custom Neural Voice 自主申请通道,需走世纪互联商务走查(数据来源:官方 2026-06-15)。

Python SDK 真实部署示例(数据来源:官方 2026-06-15):pip install azure-cognitiveservices-speech==1.42.0 后,speech_config = SpeechConfig(subscription=os.environ["AZURE_SPEECH_KEY"], region="eastasia"),TTS 用 SpeechSynthesizer(speech_config=speech_config, audio_config=AudioConfig(filename="out.wav")) 即可;流式合成使用 SpeechSynthesizer 的 speak_ssml_async + SynthesisCanceled 事件回调,把分块音频 append 到文件。批量转录推荐 Fast Transcription API(30 分钟音频 60 秒内出稿,JSON 含词级时间戳与置信度),适合字幕生产与会议纪要整理。

价格细节与免费额度

免费层 F0(数据来源:官方 2026-06-15):每月 5 小时 STT(标准)+ 50 万字符神经 TTS(标准/个人语音),1 个免费 Custom Neural Voice 端点托管(限 30 天);超出后按 S0 标准层按量计费。S0 标准层价格:STT 标准约 $1/小时音频(实时 $1.4/小时,Fast Transcription 同价,说话人分离 +$0.2/小时),神经 TTS 约 $16/100 万字符(约 ¥115/100 万),个人语音(Personal Voice)约 $24/100 万字符,Custom Neural Voice 端点 $0.547/小时/模型。承诺折扣:100 万字符/年起可与微软签承诺折扣协议,通常可拿到 20%–40% off;中文项目年用量在 5000 万字符以上,议价空间更大。Azure 中国版人民币价(数据来源:azure.cn 2026-06-15):STT 标准 ¥3/小时、神经 TTS ¥95.4/100 万字符,Custom Voice 议价。

参考资料

1. Azure Speech 官方主页:https://azure.microsoft.com/speech (数据来源:官方 2026-06-15)
2. Speech Studio 在线控制台:https://speech.microsoft.com (数据来源:官方 2026-06-15)
3. 微软 Learn 中文 SSML 文档:https://learn.microsoft.com/azure/ai-services/speech-service/speech-synthesis-markup (数据来源:官方 2026-06-15)
4. Fast Transcription API 文档:https://learn.microsoft.com/azure/ai-services/speech-service/fast-transcription (数据来源:官方 2026-06-15)
5. Azure 中国版语音服务(世纪互联):https://portal.azure.cn (数据来源:官方 2026-06-15)

选型对比与最佳实践

TTS 场景下(数据来源:官方 2026-06-15)Azure Speech、讯飞、百度文心、腾讯云、阿里云的横向对比:Azure 中文情感细腻度与超拟人在云厂商中处于第一梯队,适合品牌宣传片、有声书精品化;讯飞 在中文方言(粤语、四川话、上海话等)、文言文、童声与本地化合规上略胜;百度 精品音色(度小美、度小帅)与千帆大模型生态整合度高,价格阶梯清晰;腾讯云 音色与微信生态打通,适合公众号、小程序;阿里云 智能语音在 IoT 与客服场景积累深。STT 场景:Azure 在多语种混合与会议字幕中表现稳定;讯飞在普通话近场准确率顶尖(97%+);百度在政企电话客服与方言上覆盖广。最佳实践建议:①先用 Speech Studio 试听 3–5 个音色,确认满意后再集成;②生产环境优先选离用户最近的 Azure 区域;③对延迟敏感(车载、对话机器人)使用 WebSocket 流式 API;④对长文本(>10 分钟音频)使用 Fast Transcription API,30 分钟音频 60 秒内出稿;⑤按月用量 100 万字符以上与微软签承诺折扣,通常可省 20%–40%。