音声入力ストリームの使用方法
Speech SDK は、マイクまたはファイル入力の代わりに、認識エンジンにオーディオをストリーミングする方法を提供します。
このガイドでは、オーディオ入力ストリームを使用する方法について説明します。 また、オーディオ入力ストリームのいくつかの要件と制限事項についても説明します。
オーディオ入力ストリームを使用した音声テキスト変換認識のその他の例については、GitHub を参照してください。
オーディオ ストリームの形式を識別する
オーディオ ストリームの形式を識別します。
サポートされているオーディオのサンプルは次のとおりです。
- PCM 形式 (int-16、署名済み)
- 1 つのチャネル
- 16 ビット/サンプル、8,000 または 16,000 サンプル/秒 (16,000 バイトまたは 32,000 バイト/秒)
- 2 ブロック配列 (サンプルのパディングを含む 16 ビット)
オーディオ形式を作成するための SDK の対応するコードは次の例のようになります。
byte channels = 1;
byte bitsPerSample = 16;
int samplesPerSecond = 16000; // or 8000
var audioFormat = AudioStreamFormat.GetWaveFormatPCM(samplesPerSecond, bitsPerSample, channels);
コードがこれらの仕様に従って RAW オーディオ データを提供していることを確認します。 また、16 ビットのサンプルは、リトル エンディアン形式で到達するようにしてください。 オーディオ ソース データが、サポートされている形式と一致しない場合、オーディオは、必要な形式にトランスコードする必要があります。
独自のオーディオ入力ストリーム クラスを作成する
PullAudioInputStreamCallback から派生された独自のオーディオ入力ストリーム クラスを作成できます。 Read() メンバーと Close() メンバーを実装します。 正確な関数シグネチャは言語に依存しますが、そのコードは以下のサンプル コードのようになります。
public class ContosoAudioStream : PullAudioInputStreamCallback
{
public ContosoAudioStream() {}
public override int Read(byte[] buffer, uint size)
{
// Returns audio data to the caller.
// E.g., return read(config.YYY, buffer, size);
return 0;
}
public override void Close()
{
// Close and clean up resources.
}
}
オーディオ形式とカスタム オーディオ入力ストリームに基づいて、オーディオ構成を作成します。 次に例を示します。
var audioConfig = AudioConfig.FromStreamInput(new ContosoAudioStream(), audioFormat);
音声認識エンジンのコンテキストでカスタム オーディオ入力ストリームを使用する方法を次に示します。
using System;
using System.IO;
using System.Threading.Tasks;
using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;
public class ContosoAudioStream : PullAudioInputStreamCallback
{
public ContosoAudioStream() {}
public override int Read(byte[] buffer, uint size)
{
// Returns audio data to the caller.
// E.g., return read(config.YYY, buffer, size);
return 0;
}
public override void Close()
{
// Close and clean up resources.
}
}
class Program
{
static string speechKey = Environment.GetEnvironmentVariable("SPEECH_KEY");
static string speechRegion = Environment.GetEnvironmentVariable("SPEECH_REGION");
async static Task Main(string[] args)
{
byte channels = 1;
byte bitsPerSample = 16;
uint samplesPerSecond = 16000; // or 8000
var audioFormat = AudioStreamFormat.GetWaveFormatPCM(samplesPerSecond, bitsPerSample, channels);
var audioConfig = AudioConfig.FromStreamInput(new ContosoAudioStream(), audioFormat);
var speechConfig = SpeechConfig.FromSubscription(speechKey, speechRegion);
speechConfig.SpeechRecognitionLanguage = "en-US";
var speechRecognizer = new SpeechRecognizer(speechConfig, audioConfig);
Console.WriteLine("Speak into your microphone.");
var speechRecognitionResult = await speechRecognizer.RecognizeOnceAsync();
Console.WriteLine($"RECOGNIZED: Text={speechRecognitionResult.Text}");
}
}