微软在人工智能语音领域持续发力，近日再度推出创新功能。Azure AI语音服务新增了一项引人瞩目的能力——文本到语音虚拟人，简而言之，可将一段文字直接转化为逼真的真人说话视频。今天，这项功能已正式全面上线。

该功能的官方命名为Text to Speech A vatar（文本转语音虚拟人）。开发者可以借助这一能力，为自身用户打造个性化的虚拟形象。输出视频分辨率达到1920×1080，帧率为25fps，画质清晰细腻。以下是一段官方展示视频：

这个虚拟人功能的核心亮点非常集中，具体如下：

• 将输入文本直接转换成流畅自然的人声讲话视频，声音部分由Azure AI文本转语音引擎驱动，听感真实不生硬。
• 提供多款预设人物形象供用户自由选择，满足不同场景需求。
• 每个形象对应的语音同样由Azure AI文本转语音实时合成，音画高度匹配。
• 支持两种合成模式：通过批量合成API异步生成，或者实时合成视频，灵活适配业务需求。
• 在Speech Studio中内置了内容创建工具，即使没有编程经验，也能直接上手制作虚拟人视频。
• 实时聊天头像工具让虚拟人对话成为可能，适用于智能客服、在线直播等交互场景。

关于定价，文本转视频服务采用直接计费方式——按生成的视频时长收费，每秒单价明确。目前该服务已在东南亚、北欧、西欧、瑞典中部、美国中南部及美国西部等区域上线。对于有全球化业务拓展需求的团队而言，这些区域的节点已能覆盖大部分应用场景。