共用方式為

搭配 Azure AI 語音使用快速轉譯 API

  • 發行項

快速謄寫 API 用來轉譯音訊檔案，其傳回結果會同步且比即時快。 您需要盡快轉錄音訊錄製，並且可預測延遲時，適合使用快速轉錄，例如：

  • 快速音訊或視訊轉錄、字幕和編輯。
  • 影片翻譯

不同於批次轉譯 API，快速轉譯 API 只會以顯示（而非語匯）形式產生轉譯。 顯示表單是一種更容易閱讀的文字記錄形式，包括標點符號和大寫。

必要條件

  • 其中一個區域中的 Azure AI 語音資源可以使用快速轉錄 API。 支持的區域包括：澳大利亞東部、巴西南部、印度中部、美國東部、美國東部 2、法國中部、日本東部、美國中北部、北歐、美國中南部、東南亞、瑞典中部、西歐、美國西部 2、美國西部 3。 如需其他語音服務功能支援地區的詳細資訊，請參閱語音服務地區。

  • 音訊檔案 (長度少於 2 小時且大小小於 200 MB)，其格式和轉碼器由批次轉譯 API 支援。 如需支援音訊格式的詳細資訊，請參閱支援的音訊格式。

使用快速轉錄 API

提示

在 Azure AI Foundry 入口網站中試用快速轉譯。

我們瞭解如何使用快速轉譯 API（透過 轉譯 - 轉譯）搭配下列案例：

  • 指定的已知地區設定：使用指定的地區設定來轉譯音訊檔案。 如果您知道音訊檔案的地區設定，您可以指定它以改善轉譯精確度，並將延遲降到最低。
  • 上的語言識別：轉譯具有語言識別的音訊檔案。 如果您不確定音訊檔案的地區設定，您可以開啟語言識別，讓語音服務識別地區設定。
  • Diarization on： Transcribe audio file with diarization on. Diarization 可區分交談中的不同說話者。 語音服務提供說話者在轉譯語音中特定部分說話的相關信息。
  • 開啟多頻道：轉譯具有一或兩個通道的音訊檔案。 多通道轉譯對於具有多個通道的音訊檔案很有用，例如具有多個喇叭的音訊檔案，或具有背景雜訊的音訊檔案。 根據預設，快速轉譯 API 會將所有輸入通道合併成單一通道，然後執行轉譯。 如果不想要這樣做，可以獨立轉譯通道，而不合併。

使用音訊檔案和要求本文屬性向 transcriptions 端點發出多通道/表單資料 POST 要求。

下列範例示範如何使用指定的地區設定來轉譯音訊檔案。 如果您知道音訊檔案的地區設定，您可以指定它以改善轉譯精確度，並將延遲降到最低。

  • 以您的語音資源金鑰取代 YourSubscriptionKey。
  • 將 YourServiceRegion 取代為您的語音資源區域。
  • 請以您的音訊檔案路徑取代 YourAudioFile。
curl --location 'https://YourServiceRegion.api.cognitive.microsoft.com/speechtotext/transcriptions:transcribe?api-version=2024-11-15' \
--header 'Content-Type: multipart/form-data' \
--header 'Ocp-Apim-Subscription-Key: YourSubscriptionKey' \
--form 'audio=@"YourAudioFile"' \
--form 'definition="{
    "locales":["en-US"]}"'

根據下列指示建構表單定義：

  • 設定選擇性的 （但建議的） locales 屬性，該屬性應符合要轉譯之音訊數據的預期地區設定。 在這裡範例中，地區設定會設定為 en-US。 您可以指定的地區設定包括：de-DE、en-IN、en-US、es-ES、es-MX、fr-FR、hi-IN、it-IT、ja-JP、ko-KR、pt-BR 和 zh-CN。

如需快速轉譯 API 和其他屬性的詳細資訊 locales ，請參閱 本指南稍後的要求組態選項 一節。

回應包括 durationMilliseconds、 offsetMilliseconds等等。 屬性 combinedPhrases 包含所有說話者的完整轉譯。

{
	"durationMilliseconds": 182439,
	"combinedPhrases": [
		{
			"text": "Good afternoon. This is Sam. Thank you for calling Contoso. How can I help? Hi there. My name is Mary. I'm currently living in Los Angeles, but I'm planning to move to Las Vegas. I would like to apply for a loan. Okay. I see you're currently living in California. Let me make sure I understand you correctly. Uh You'd like to apply for a loan even though you'll be moving soon. Is that right? Yes, exactly. So I'm planning to relocate soon, but I would like to apply for the loan first so that I can purchase a new home once I move there. And are you planning to sell your current home? Yes, I will be listing it on the market soon and hopefully it'll sell quickly. That's why I'm applying for a loan now, so that I can purchase a new house in Nevada and close on it quickly as well once my current home sells. I see. Would you mind holding for a moment while I take your information down? Yeah, no problem. Thank you for your help. Mm-hmm. Just one moment. All right. Thank you for your patience, ma'am. May I have your first and last name, please? Yes, my name is Mary Smith. Thank you, Ms. Smith. May I have your current address, please? Yes. So my address is 123 Main Street in Los Angeles, California, and the zip code is 90923. Sorry, that was a 90 what? 90923. 90923 on Main Street. Got it. Thank you. May I have your phone number as well, please? Uh Yes, my phone number is 504-529-2351 and then yeah. 2351. Got it. And do you have an e-mail address we I can associate with this application? uh Yes, so my e-mail address is mary.a.sm78@gmail.com. Mary.a, was that a S-N as in November or M as in Mike? M as in Mike. Mike78, got it. Thank you. Ms. Smith, do you currently have any other loans? Uh Yes, so I currently have two other loans through Contoso. So my first one is my car loan and then my other is my student loan. They total about 1400 per month combined and my interest rate is 8%. I see. And you're currently paying those loans off monthly, is that right? Yes, of course I do. OK, thank you. Here's what I suggest we do. Let me place you on a brief hold again so that I can talk with one of our loan officers and get this started for you immediately. In the meantime, it would be great if you could take a few minutes and complete the remainder of the secure application online at www.contosoloans.com. Yeah, that sounds good. I can go ahead and get started. Thank you for your help. Thank you."
		}
	],
	"phrases": [
		{
			"offsetMilliseconds": 960,
			"durationMilliseconds": 640,
			"text": "Good afternoon.",
			"words": [
				{
					"text": "Good",
					"offsetMilliseconds": 960,
					"durationMilliseconds": 240
				},
				{
					"text": "afternoon.",
					"offsetMilliseconds": 1200,
					"durationMilliseconds": 400
				}
			],
			"locale": "en-US",
			"confidence": 0.93616915
		},
		{
			"offsetMilliseconds": 1600,
			"durationMilliseconds": 640,
			"text": "This is Sam.",
			"words": [
				{
					"text": "This",
					"offsetMilliseconds": 1600,
					"durationMilliseconds": 240
				},
				{
					"text": "is",
					"offsetMilliseconds": 1840,
					"durationMilliseconds": 120
				},
				{
					"text": "Sam.",
					"offsetMilliseconds": 1960,
					"durationMilliseconds": 280
				}
			],
			"locale": "en-US",
			"confidence": 0.93616915
		},
		{
			"offsetMilliseconds": 2240,
			"durationMilliseconds": 1040,
			"text": "Thank you for calling Contoso.",
			"words": [
				{
					"text": "Thank",
					"offsetMilliseconds": 2240,
					"durationMilliseconds": 200
				},
				{
					"text": "you",
					"offsetMilliseconds": 2440,
					"durationMilliseconds": 80
				},
				{
					"text": "for",
					"offsetMilliseconds": 2520,
					"durationMilliseconds": 120
				},
				{
					"text": "calling",
					"offsetMilliseconds": 2640,
					"durationMilliseconds": 200
				},
				{
					"text": "Contoso.",
					"offsetMilliseconds": 2840,
					"durationMilliseconds": 440
				}
			],
			"locale": "en-US",
			"confidence": 0.93616915
		},
		{
			"offsetMilliseconds": 3280,
			"durationMilliseconds": 640,
			"text": "How can I help?",
			"words": [
				{
					"text": "How",
					"offsetMilliseconds": 3280,
					"durationMilliseconds": 120
				},
				{
					"text": "can",
					"offsetMilliseconds": 3440,
					"durationMilliseconds": 120
				},
				{
					"text": "I",
					"offsetMilliseconds": 3560,
					"durationMilliseconds": 40
				},
				{
					"text": "help?",
					"offsetMilliseconds": 3600,
					"durationMilliseconds": 320
				}
			],
			"locale": "en-US",
			"confidence": 0.93616915
		},
		{
			"offsetMilliseconds": 5040,
			"durationMilliseconds": 400,
			"text": "Hi there.",
			"words": [
				{
					"text": "Hi",
					"offsetMilliseconds": 5040,
					"durationMilliseconds": 240
				},
				{
					"text": "there.",
					"offsetMilliseconds": 5280,
					"durationMilliseconds": 160
				}
			],
			"locale": "en-US",
			"confidence": 0.93616915
		},
		{
			"offsetMilliseconds": 5440,
			"durationMilliseconds": 800,
			"text": "My name is Mary.",
			"words": [
				{
					"text": "My",
					"offsetMilliseconds": 5440,
					"durationMilliseconds": 80
				},
				{
					"text": "name",
					"offsetMilliseconds": 5520,
					"durationMilliseconds": 120
				},
				{
					"text": "is",
					"offsetMilliseconds": 5640,
					"durationMilliseconds": 80
				},
				{
					"text": "Mary.",
					"offsetMilliseconds": 5720,
					"durationMilliseconds": 520
				}
			],
			"locale": "en-US",
			"confidence": 0.93616915
		},
		// More transcription results...
	    // Redacted for brevity
		{
			"offsetMilliseconds": 180320,
			"durationMilliseconds": 680,
			"text": "Thank you for your help.",
			"words": [
				{
					"text": "Thank",
					"offsetMilliseconds": 180320,
					"durationMilliseconds": 160
				},
				{
					"text": "you",
					"offsetMilliseconds": 180480,
					"durationMilliseconds": 80
				},
				{
					"text": "for",
					"offsetMilliseconds": 180560,
					"durationMilliseconds": 120
				},
				{
					"text": "your",
					"offsetMilliseconds": 180680,
					"durationMilliseconds": 120
				},
				{
					"text": "help.",
					"offsetMilliseconds": 180800,
					"durationMilliseconds": 200
				}
			],
			"locale": "en-US",
			"confidence": 0.9314801
		},
		{
			"offsetMilliseconds": 181960,
			"durationMilliseconds": 280,
			"text": "Thank you.",
			"words": [
				{
					"text": "Thank",
					"offsetMilliseconds": 181960,
					"durationMilliseconds": 200
				},
				{
					"text": "you.",
					"offsetMilliseconds": 182160,
					"durationMilliseconds": 80
				}
			],
			"locale": "en-US",
			"confidence": 0.9314801
		}
	]
}

要求設定選項

以下是呼叫轉譯 - 轉譯作業時設定轉譯的一些屬性選項。

屬性 說明 必要或選用
channels 要個別轉譯之通道之以零起始的索引清單。 除非已啟用除法，否則最多支援兩個通道。 根據預設，快速轉譯 API 會將所有輸入通道合併成單一通道，然後執行轉譯。 如果不想要這樣做，可以獨立轉譯通道，而不合併。

如果您要個別從立體聲音頻檔案轉譯通道，您需要指定 [0,1]、 [0]或 [1]。 否則，立體聲音頻會合併至單聲道，而且只會轉譯單一通道。

如果音訊為立體聲且已啟用 diarization，則您無法將 channels 屬性設定為 [0,1]。 語音服務不支援對多個通道進行 Diarization。

若為 channels 單聲道音訊，則會忽略 屬性，而且音訊一律會轉譯為單一通道。		 選擇性
diarization diarization 組態。 Diarization 是一個音訊通道中辨識和分隔多個喇叭的程式。 例如，指定 "diarization": {"maxSpeakers": 2, "enabled": true}。 然後，轉譯檔案會包含 speaker 每個轉譯詞組的專案（例如 "speaker": 0 或 "speaker": 1）。 選擇性
locales 應該符合要轉譯之音訊數據預期地區設定的地區設定清單。

如果您知道音訊檔案的地區設定，您可以指定它以改善轉譯精確度，並將延遲降到最低。 如果指定單一地區設定，該地區設定會用於轉譯。

但是，如果您不確定地區設定，您可以指定多個地區設定。 使用更精確的候選地區設定清單，語言識別可能更精確。

如果您未指定任何地區設定，或您指定的地區設定不在音訊檔案中，語音服務仍會嘗試識別語言。 如果無法識別語言，則會傳回錯誤。

您可以指定的地區設定包括：de-DE、en-IN、en-US、es-ES、es-MX、fr-FR、hi-IN、it-IT、ja-JP、ko-KR、pt-BR 和 zh-CN。 您可以透過 轉譯 - 列出支援的地區 設定 REST API 來取得最新的支持語言。 如需地區設定的詳細資訊，請參閱 語音服務語言支援 檔。		 如果您知道預期的地區設定，則為選擇性，但建議使用。
profanityFilterMode 指定如何處理辨識結果中的不雅內容。 接受的值為 None (會停用粗話過濾)、Masked (會以星號取代粗話)、Removed (會移除結果中的所有粗話) 或 Tags (會新增粗話標籤)。 預設值是 Masked。 選擇性

相關內容