Rychlý start: Vytvoření popis s převodem řeči na text
Referenční dokumentace | – balíček (NuGet) | Další ukázky na GitHubu
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Sada Speech SDK je k dispozici jako balíček NuGet a implementuje .NET Standard 2.0. Sadu Speech SDK nainstalujete později v této příručce, ale nejprve si projděte průvodce instalací sady SDK, kde najdete další požadavky.
Musíte také nainstalovat GStreamer pro komprimovaný vstupní zvuk.
Nastavení proměnných prostředí
Aby vaše aplikace získala přístup k prostředkům služeb Azure AI, musí být ověřená. V produkčním prostředí použijte bezpečný způsob ukládání a přístupu k vašim přihlašovacím údajům. Když například získáte klíč pro prostředek služby Speech, zapište ho do nové proměnné prostředí na místním počítači, na kterém běží aplikace.
Tip
Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v tématu Zabezpečení služeb Azure AI.
Pokud chcete nastavit proměnnou prostředí pro váš klíč prostředku služby Speech, otevřete okno konzoly a postupujte podle pokynů pro váš operační systém a vývojové prostředí.
- Pokud chcete nastavit proměnnou
SPEECH_KEY
prostředí, nahraďte klíč jedním z klíčů vašeho prostředku. - Pokud chcete nastavit proměnnou
SPEECH_REGION
prostředí, nahraďte oblast jednou z oblastí vašeho prostředku.
setx SPEECH_KEY your-key
setx SPEECH_REGION your-region
Poznámka:
Pokud potřebujete přístup pouze k proměnným prostředí v aktuální konzole, můžete nastavit proměnnou prostředí namísto set
setx
.
Po přidání proměnných prostředí možná budete muset restartovat všechny programy, které potřebují přečíst proměnnou prostředí, včetně okna konzoly. Pokud například jako editor používáte Sadu Visual Studio, restartujte sadu Visual Studio před spuštěním příkladu.
Vytváření popis z řeči
Pomocí těchto kroků sestavte a spusťte příklad kódu rychlého startu popis.
- Zkopírujte scénáře/csharp/dotnetcore/popis/ ukázkové soubory z GitHubu. Pokud máte nainstalovaný Git, otevřete příkazový řádek a spusťte
git clone
příkaz pro stažení úložiště ukázek sady Speech SDK.git clone https://github.com/Azure-Samples/cognitive-services-speech-sdk.git
- Otevřete příkazový řádek a přejděte do adresáře projektu.
cd <your-local-path>/scenarios/csharp/dotnetcore/captioning/captioning/
- Sestavte projekt pomocí .NET CLI.
dotnet build
- Spusťte aplikaci s upřednostňovanými argumenty příkazového řádku. Dostupné možnosti najdete v tématu využití a argumenty . Tady je příklad:
dotnet run --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
Důležité
Ujistěte se, že cesty zadané
--input
a--output
jsou platné. Jinak je nutné změnit cesty.Ujistěte se, že jste nastavili
SPEECH_KEY
proměnné prostředí aSPEECH_REGION
jak je popsáno výše. V opačném případě použijte argumenty--key
a--region
argumenty.
Kontrola výsledků
Pokud použijete realTime
možnost v předchozím příkladu, budou ve výstupu zahrnuty částečné výsledky z Recognizing
událostí. V tomto příkladu obsahuje pouze poslední Recognized
událost čárky. Čárky nejsou jedinými rozdíly mezi Recognizing
událostmi a Recognized
událostmi. Další informace najdete v tématu Získání částečných výsledků.
1
00:00:00,170 --> 00:00:00,380
The
2
00:00:00,380 --> 00:00:01,770
The rainbow
3
00:00:01,770 --> 00:00:02,560
The rainbow has seven
4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors
5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red
6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange
7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow
8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green
9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.
Při použití této --offline
možnosti jsou výsledky stabilní z poslední Recognized
události. Ve výstupu nejsou zahrnuté částečné výsledky:
1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,
2
00:00:05,540 --> 00:00:07,160
indigo and Violet.
Výstupní formát časového rozsahu SRT (SubRip Text) je hh:mm:ss,fff
. Další informace naleznete v tématu Formát výstupu titulku.
Využití a argumenty
Použití: captioning --input <input file>
mezi možnosti Připojení patří:
--key
: Váš klíč prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_KEY. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--key
tuto možnost.--region REGION
: Oblast vašeho prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_REGION. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--region
tuto možnost. Příklady:westus
,northeurope
Mezi vstupní možnosti patří:
--input FILE
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon.--format FORMAT
: Použijte komprimovaný zvukový formát. Platné pouze s--file
. Platné hodnoty jsoualaw
, ,flac
any
,mp3
,mulaw
aogg_opus
. Výchozí hodnota jeany
. Pokud chcete použítwav
soubor, nezadávejte formát. Tato možnost není k dispozici s ukázkou popis JavaScriptu. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.
Mezi jazykové možnosti patří:
--language LANG
: Zadejte jazyk pomocí jednoho z odpovídajících podporovaných národních prostředí. Používá se při dělení popis na řádky. Výchozí hodnota jeen-US
.
Mezi možnosti rozpoznávání patří:
--offline
: Výstup offline výsledků. Přepisy--realTime
. Výchozí výstupní režim je offline.--realTime
: Výstup výsledků v reálném čase
Výstup v reálném čase zahrnuje Recognizing
výsledky událostí. Výchozí offline výstup je Recognized
pouze výsledky událostí. Vždycky se zapisují do konzoly, nikdy do výstupního souboru. Tato --quiet
možnost tuto možnost přepíše. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.
Mezi možnosti přesnosti patří:
--phrases PHRASE1;PHRASE2
: Můžete zadat seznam frází, které se mají rozpoznat, napříkladContoso;Jessie;Rehaan
. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Mezi možnosti výstupu patří:
--help
: Zobrazit tuto nápovědu a zastavit--output FILE
: Výstup popis do zadanéhofile
. Tento příznak je povinný.--srt
: Výstupní popis ve formátu SRT (SubRip Text). Výchozí formát je WebVTT (Stopy textu webového videa). Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku.--maxLineLength LENGTH
: Nastavte maximální počet znaků na řádek pro popis na DÉLKU. Minimum je 20. Výchozí hodnota je 37 (30 pro čínštinu).--lines LINES
: Nastavte počet řádků pro popis na ŘÁDKY. Minimum je 1. Výchozí hodnota je 2.--delay MILLISECONDS
: Kolik milisekund pozdrží zobrazení jednotlivých popis, aby napodobily prostředí v reálném čase. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Minimum je 0,0. Výchozí hodnota je 1000.--remainTime MILLISECONDS
: Kolik milisekund popis by měl zůstat na obrazovce, pokud není nahrazen jiným. Minimum je 0,0. Výchozí hodnota je 1000.--quiet
: Potlačit výstup konzoly s výjimkou chyb.--profanity OPTION
: Platné hodnoty: raw, remove, mask. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--threshold NUMBER
: Nastavte stabilní prahovou hodnotu částečného výsledku. Výchozí hodnota je3
. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Další informace najdete v tématu Získání konceptů částečných výsledků .
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
Referenční dokumentace | – balíček (NuGet) | Další ukázky na GitHubu
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Sada Speech SDK je k dispozici jako balíček NuGet a implementuje .NET Standard 2.0. Sadu Speech SDK nainstalujete později v této příručce, ale nejprve si projděte průvodce instalací sady SDK a zjistěte další požadavky.
Musíte také nainstalovat GStreamer pro komprimovaný vstupní zvuk.
Nastavení proměnných prostředí
Aby vaše aplikace získala přístup k prostředkům služeb Azure AI, musí být ověřená. V produkčním prostředí použijte bezpečný způsob ukládání a přístupu k vašim přihlašovacím údajům. Když například získáte klíč pro prostředek služby Speech, zapište ho do nové proměnné prostředí na místním počítači, na kterém běží aplikace.
Tip
Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v tématu Zabezpečení služeb Azure AI.
Pokud chcete nastavit proměnnou prostředí pro váš klíč prostředku služby Speech, otevřete okno konzoly a postupujte podle pokynů pro váš operační systém a vývojové prostředí.
- Pokud chcete nastavit proměnnou
SPEECH_KEY
prostředí, nahraďte klíč jedním z klíčů vašeho prostředku. - Pokud chcete nastavit proměnnou
SPEECH_REGION
prostředí, nahraďte oblast jednou z oblastí vašeho prostředku.
setx SPEECH_KEY your-key
setx SPEECH_REGION your-region
Poznámka:
Pokud potřebujete přístup pouze k proměnným prostředí v aktuální konzole, můžete nastavit proměnnou prostředí namísto set
setx
.
Po přidání proměnných prostředí možná budete muset restartovat všechny programy, které potřebují přečíst proměnnou prostředí, včetně okna konzoly. Pokud například jako editor používáte Sadu Visual Studio, restartujte sadu Visual Studio před spuštěním příkladu.
Vytváření popis z řeči
Pomocí těchto kroků sestavte a spusťte příklad kódu pro rychlý start popis pomocí sady Visual Studio Community 2022 ve Windows.
Stáhněte nebo zkopírujte scénáře/cpp/windows/popis/ ukázkové soubory z GitHubu do místního adresáře.
captioning.sln
Otevřete soubor řešení v sadě Visual Studio Community 2022.Nainstalujte sadu Speech SDK do projektu pomocí správce balíčků NuGet.
Install-Package Microsoft.CognitiveServices.Speech
Otevřete obecné vlastnosti>projektu.> Nastavte konfiguraci na
All configurations
hodnotu . Nastavte jazyk C++ Standard naISO C++17 Standard (/std:c++17)
.Otevřete Nástroj Build>Configuration Manager.
- Na 64bitové instalaci Systému Windows nastavte aktivní platformu řešení na
x64
. - Na 32bitové instalaci Systému Windows nastavte aktivní platformu řešení na
x86
.
- Na 64bitové instalaci Systému Windows nastavte aktivní platformu řešení na
Otevřete ladění vlastností>projektu.> Do argumentů příkazového řádku zadejte upřednostňované argumenty příkazového řádku. Dostupné možnosti najdete v tématu využití a argumenty . Zde je příklad:
--input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
Důležité
Ujistěte se, že cesty zadané
--input
a--output
jsou platné. Jinak je nutné změnit cesty.Ujistěte se, že jste nastavili
SPEECH_KEY
proměnné prostředí aSPEECH_REGION
jak je popsáno výše. V opačném případě použijte argumenty--key
a--region
argumenty.Sestavte a spusťte konzolovou aplikaci.
Kontrola výsledků
Pokud použijete realTime
možnost v předchozím příkladu, budou ve výstupu zahrnuty částečné výsledky z Recognizing
událostí. V tomto příkladu obsahuje pouze poslední Recognized
událost čárky. Čárky nejsou jedinými rozdíly mezi Recognizing
událostmi a Recognized
událostmi. Další informace najdete v tématu Získání částečných výsledků.
1
00:00:00,170 --> 00:00:00,380
The
2
00:00:00,380 --> 00:00:01,770
The rainbow
3
00:00:01,770 --> 00:00:02,560
The rainbow has seven
4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors
5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red
6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange
7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow
8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green
9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.
Při použití této --offline
možnosti jsou výsledky stabilní z poslední Recognized
události. Ve výstupu nejsou zahrnuté částečné výsledky:
1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,
2
00:00:05,540 --> 00:00:07,160
indigo and Violet.
Výstupní formát časového rozsahu SRT (SubRip Text) je hh:mm:ss,fff
. Další informace naleznete v tématu Formát výstupu titulku.
Využití a argumenty
Použití: captioning --input <input file>
mezi možnosti Připojení patří:
--key
: Váš klíč prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_KEY. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--key
tuto možnost.--region REGION
: Oblast vašeho prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_REGION. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--region
tuto možnost. Příklady:westus
,northeurope
Mezi vstupní možnosti patří:
--input FILE
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon.--format FORMAT
: Použijte komprimovaný zvukový formát. Platné pouze s--file
. Platné hodnoty jsoualaw
, ,flac
any
,mp3
,mulaw
aogg_opus
. Výchozí hodnota jeany
. Pokud chcete použítwav
soubor, nezadávejte formát. Tato možnost není k dispozici s ukázkou popis JavaScriptu. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.
Mezi jazykové možnosti patří:
--language LANG
: Zadejte jazyk pomocí jednoho z odpovídajících podporovaných národních prostředí. Používá se při dělení popis na řádky. Výchozí hodnota jeen-US
.
Mezi možnosti rozpoznávání patří:
--offline
: Výstup offline výsledků. Přepisy--realTime
. Výchozí výstupní režim je offline.--realTime
: Výstup výsledků v reálném čase
Výstup v reálném čase zahrnuje Recognizing
výsledky událostí. Výchozí offline výstup je Recognized
pouze výsledky událostí. Vždycky se zapisují do konzoly, nikdy do výstupního souboru. Tato --quiet
možnost tuto možnost přepíše. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.
Mezi možnosti přesnosti patří:
--phrases PHRASE1;PHRASE2
: Můžete zadat seznam frází, které se mají rozpoznat, napříkladContoso;Jessie;Rehaan
. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Mezi možnosti výstupu patří:
--help
: Zobrazit tuto nápovědu a zastavit--output FILE
: Výstup popis do zadanéhofile
. Tento příznak je povinný.--srt
: Výstupní popis ve formátu SRT (SubRip Text). Výchozí formát je WebVTT (Stopy textu webového videa). Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku.--maxLineLength LENGTH
: Nastavte maximální počet znaků na řádek pro popis na DÉLKU. Minimum je 20. Výchozí hodnota je 37 (30 pro čínštinu).--lines LINES
: Nastavte počet řádků pro popis na ŘÁDKY. Minimum je 1. Výchozí hodnota je 2.--delay MILLISECONDS
: Kolik milisekund pozdrží zobrazení jednotlivých popis, aby napodobily prostředí v reálném čase. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Minimum je 0,0. Výchozí hodnota je 1000.--remainTime MILLISECONDS
: Kolik milisekund popis by měl zůstat na obrazovce, pokud není nahrazen jiným. Minimum je 0,0. Výchozí hodnota je 1000.--quiet
: Potlačit výstup konzoly s výjimkou chyb.--profanity OPTION
: Platné hodnoty: raw, remove, mask. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--threshold NUMBER
: Nastavte stabilní prahovou hodnotu částečného výsledku. Výchozí hodnota je3
. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Další informace najdete v tématu Získání konceptů částečných výsledků .
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
Referenční dokumentace | – balíček (Go) | Další ukázky na GitHubu
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Zkontrolujte, jestli existují nějaké kroky instalace specifické pro platformu.
Musíte také nainstalovat GStreamer pro komprimovaný vstupní zvuk.
Vytváření popis z řeči
Pomocí těchto kroků sestavte a spusťte příklad kódu rychlého startu popis.
Stáhněte nebo zkopírujte scénáře, go/popis/ ukázkové soubory z GitHubu do místního adresáře.
Otevřete příkazový řádek ve stejném adresáři jako
captioning.go
.Spuštěním následujících příkazů vytvořte
go.mod
soubor, který odkazuje na komponenty sady Speech SDK hostované na GitHubu:go mod init captioning go get github.com/Microsoft/cognitive-services-speech-sdk-go
Sestavte modul GO.
go build
Spusťte aplikaci s upřednostňovanými argumenty příkazového řádku. Dostupné možnosti najdete v tématu využití a argumenty . Zde je příklad:
go run captioning --key YourSubscriptionKey --region YourServiceRegion --input caption.this.mp4 --format any --output caption.output.txt --srt --recognizing --threshold 5 --profanity mask --phrases "Contoso;Jessie;Rehaan"
Nahraďte
YourSubscriptionKey
svým klíčem prostředku služby Speech a nahraďteYourServiceRegion
oblastí prostředků služby Speech, napříkladwestus
nebonortheurope
. Ujistěte se, že cesty zadané--input
a--output
jsou platné. Jinak je nutné změnit cesty.Důležité
Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v článku zabezpečení služeb Azure AI.
Kontrola výsledků
Výstupní soubor s úplnými popis se zapíše do caption.output.txt
. Průběžné výsledky se zobrazují v konzole:
00:00:00,180 --> 00:00:01,600
Welcome to
00:00:00,180 --> 00:00:01,820
Welcome to applied
00:00:00,180 --> 00:00:02,420
Welcome to applied mathematics
00:00:00,180 --> 00:00:02,930
Welcome to applied mathematics course
00:00:00,180 --> 00:00:03,100
Welcome to applied Mathematics course 2
00:00:00,180 --> 00:00:03,230
Welcome to applied Mathematics course 201.
Výstupní formát časového rozsahu SRT (SubRip Text) je hh:mm:ss,fff
. Další informace naleznete v tématu Formát výstupu titulku.
Využití a argumenty
Použití: go run captioning.go helper.go --key <key> --region <region> --input <input file>
mezi možnosti Připojení patří:
--key
: Váš klíč prostředku služby Speech.--region REGION
: Oblast vašeho prostředku služby Speech. Příklady:westus
,northeurope
Mezi vstupní možnosti patří:
--input FILE
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon.--format FORMAT
: Použijte komprimovaný zvukový formát. Platné pouze s--file
. Platné hodnoty jsoualaw
, ,flac
any
,mp3
,mulaw
aogg_opus
. Výchozí hodnota jeany
. Pokud chcete použítwav
soubor, nezadávejte formát. Tato možnost není k dispozici s ukázkou popis JavaScriptu. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.
Mezi jazykové možnosti patří:
--languages LANG1,LANG2
: Povolte identifikaci jazyka pro zadané jazyky. Například:en-US,ja-JP
. Tato možnost je k dispozici pouze s ukázkami jazyka C++, C# a Pythonu popis. Další informace naleznete v tématu Identifikace jazyka.
Mezi možnosti rozpoznávání patří:
--recognizing
: Výsledky výstupníRecognizing
události. Výchozí výstup jeRecognized
pouze výsledky událostí. Vždycky se zapisují do konzoly, nikdy do výstupního souboru. Tato--quiet
možnost tuto možnost přepíše. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.
Mezi možnosti přesnosti patří:
--phrases PHRASE1;PHRASE2
: Můžete zadat seznam frází, které se mají rozpoznat, napříkladContoso;Jessie;Rehaan
. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Mezi možnosti výstupu patří:
--help
: Zobrazit tuto nápovědu a zastavit--output FILE
: Výstup popis do zadanéhofile
. Tento příznak je povinný.--srt
: Výstupní popis ve formátu SRT (SubRip Text). Výchozí formát je WebVTT (Stopy textu webového videa). Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku.--quiet
: Potlačit výstup konzoly s výjimkou chyb.--profanity OPTION
: Platné hodnoty: raw, remove, mask. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--threshold NUMBER
: Nastavte stabilní prahovou hodnotu částečného výsledku. Výchozí hodnota je3
. Další informace najdete v tématu Získání konceptů částečných výsledků .
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
Referenční dokumentace | Další ukázky na GitHubu
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Než budete moct cokoli udělat, musíte nainstalovat sadu Speech SDK. Ukázka v tomto rychlém startu funguje s microsoft buildem OpenJDK 17.
- Nainstalujte Apache Maven. Pak spusťte a potvrďte
mvn -v
úspěšnou instalaci. - V kořenovém adresáři projektu vytvořte nový
pom.xml
soubor a zkopírujte do něj následující:<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>com.microsoft.cognitiveservices.speech.samples</groupId> <artifactId>quickstart-eclipse</artifactId> <version>1.0.0-SNAPSHOT</version> <build> <sourceDirectory>src</sourceDirectory> <plugins> <plugin> <artifactId>maven-compiler-plugin</artifactId> <version>3.7.0</version> <configuration> <source>1.8</source> <target>1.8</target> </configuration> </plugin> </plugins> </build> <dependencies> <dependency> <groupId>com.microsoft.cognitiveservices.speech</groupId> <artifactId>client-sdk</artifactId> <version>1.38.0</version> </dependency> </dependencies> </project>
- Nainstalujte sadu Speech SDK a závislosti.
mvn clean dependency:copy-dependencies
- Musíte také nainstalovat GStreamer pro komprimovaný vstupní zvuk.
Nastavení proměnných prostředí
Aby vaše aplikace získala přístup k prostředkům služeb Azure AI, musí být ověřená. V produkčním prostředí použijte bezpečný způsob ukládání a přístupu k vašim přihlašovacím údajům. Když například získáte klíč pro prostředek služby Speech, zapište ho do nové proměnné prostředí na místním počítači, na kterém běží aplikace.
Tip
Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v tématu Zabezpečení služeb Azure AI.
Pokud chcete nastavit proměnnou prostředí pro váš klíč prostředku služby Speech, otevřete okno konzoly a postupujte podle pokynů pro váš operační systém a vývojové prostředí.
- Pokud chcete nastavit proměnnou
SPEECH_KEY
prostředí, nahraďte klíč jedním z klíčů vašeho prostředku. - Pokud chcete nastavit proměnnou
SPEECH_REGION
prostředí, nahraďte oblast jednou z oblastí vašeho prostředku.
setx SPEECH_KEY your-key
setx SPEECH_REGION your-region
Poznámka:
Pokud potřebujete přístup pouze k proměnným prostředí v aktuální konzole, můžete nastavit proměnnou prostředí namísto set
setx
.
Po přidání proměnných prostředí možná budete muset restartovat všechny programy, které potřebují přečíst proměnnou prostředí, včetně okna konzoly. Pokud například jako editor používáte Sadu Visual Studio, restartujte sadu Visual Studio před spuštěním příkladu.
Vytváření popis z řeči
Pomocí těchto kroků sestavte a spusťte příklad kódu rychlého startu popis.
- Zkopírujte scénáře/java/jre/popis/ ukázkové soubory z GitHubu do adresáře projektu. Soubor
pom.xml
, který jste vytvořili v instalačním programu prostředí, musí být také v tomto adresáři. - Otevřete příkazový řádek a spusťte tento příkaz pro kompilaci souborů projektu.
javac Captioning.java -cp ".;target\dependency\*" -encoding UTF-8
- Spusťte aplikaci s upřednostňovanými argumenty příkazového řádku. Dostupné možnosti najdete v tématu využití a argumenty . Tady je příklad:
java -cp ".;target\dependency\*" Captioning --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
Důležité
Ujistěte se, že cesty zadané
--input
a--output
jsou platné. Jinak je nutné změnit cesty.Ujistěte se, že jste nastavili
SPEECH_KEY
proměnné prostředí aSPEECH_REGION
jak je popsáno výše. V opačném případě použijte argumenty--key
a--region
argumenty.
Kontrola výsledků
Pokud použijete realTime
možnost v předchozím příkladu, budou ve výstupu zahrnuty částečné výsledky z Recognizing
událostí. V tomto příkladu obsahuje pouze poslední Recognized
událost čárky. Čárky nejsou jedinými rozdíly mezi Recognizing
událostmi a Recognized
událostmi. Další informace najdete v tématu Získání částečných výsledků.
1
00:00:00,170 --> 00:00:00,380
The
2
00:00:00,380 --> 00:00:01,770
The rainbow
3
00:00:01,770 --> 00:00:02,560
The rainbow has seven
4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors
5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red
6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange
7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow
8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green
9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.
Při použití této --offline
možnosti jsou výsledky stabilní z poslední Recognized
události. Ve výstupu nejsou zahrnuté částečné výsledky:
1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,
2
00:00:05,540 --> 00:00:07,160
indigo and Violet.
Výstupní formát časového rozsahu SRT (SubRip Text) je hh:mm:ss,fff
. Další informace naleznete v tématu Formát výstupu titulku.
Využití a argumenty
Použití: java -cp ".;target\dependency\*" Captioning --input <input file>
mezi možnosti Připojení patří:
--key
: Váš klíč prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_KEY. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--key
tuto možnost.--region REGION
: Oblast vašeho prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_REGION. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--region
tuto možnost. Příklady:westus
,northeurope
Mezi vstupní možnosti patří:
--input FILE
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon.--format FORMAT
: Použijte komprimovaný zvukový formát. Platné pouze s--file
. Platné hodnoty jsoualaw
, ,flac
any
,mp3
,mulaw
aogg_opus
. Výchozí hodnota jeany
. Pokud chcete použítwav
soubor, nezadávejte formát. Tato možnost není k dispozici s ukázkou popis JavaScriptu. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.
Mezi jazykové možnosti patří:
--language LANG
: Zadejte jazyk pomocí jednoho z odpovídajících podporovaných národních prostředí. Používá se při dělení popis na řádky. Výchozí hodnota jeen-US
.
Mezi možnosti rozpoznávání patří:
--offline
: Výstup offline výsledků. Přepisy--realTime
. Výchozí výstupní režim je offline.--realTime
: Výstup výsledků v reálném čase
Výstup v reálném čase zahrnuje Recognizing
výsledky událostí. Výchozí offline výstup je Recognized
pouze výsledky událostí. Vždycky se zapisují do konzoly, nikdy do výstupního souboru. Tato --quiet
možnost tuto možnost přepíše. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.
Mezi možnosti přesnosti patří:
--phrases PHRASE1;PHRASE2
: Můžete zadat seznam frází, které se mají rozpoznat, napříkladContoso;Jessie;Rehaan
. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Mezi možnosti výstupu patří:
--help
: Zobrazit tuto nápovědu a zastavit--output FILE
: Výstup popis do zadanéhofile
. Tento příznak je povinný.--srt
: Výstupní popis ve formátu SRT (SubRip Text). Výchozí formát je WebVTT (Stopy textu webového videa). Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku.--maxLineLength LENGTH
: Nastavte maximální počet znaků na řádek pro popis na DÉLKU. Minimum je 20. Výchozí hodnota je 37 (30 pro čínštinu).--lines LINES
: Nastavte počet řádků pro popis na ŘÁDKY. Minimum je 1. Výchozí hodnota je 2.--delay MILLISECONDS
: Kolik milisekund pozdrží zobrazení jednotlivých popis, aby napodobily prostředí v reálném čase. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Minimum je 0,0. Výchozí hodnota je 1000.--remainTime MILLISECONDS
: Kolik milisekund popis by měl zůstat na obrazovce, pokud není nahrazen jiným. Minimum je 0,0. Výchozí hodnota je 1000.--quiet
: Potlačit výstup konzoly s výjimkou chyb.--profanity OPTION
: Platné hodnoty: raw, remove, mask. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--threshold NUMBER
: Nastavte stabilní prahovou hodnotu částečného výsledku. Výchozí hodnota je3
. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Další informace najdete v tématu Získání konceptů částečných výsledků .
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
Referenční dokumentace | Balíček (npm) | Další ukázky zdrojového kódu knihovny GitHub |
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Než budete moct cokoli udělat, musíte nainstalovat sadu Speech SDK pro JavaScript. Pokud chcete, aby se název balíčku nainstaloval, spusťte npm install microsoft-cognitiveservices-speech-sdk
příkaz . Pokyny k instalaci s asistencí najdete v průvodci instalací sady SDK.
Vytváření popis z řeči
Pomocí těchto kroků sestavte a spusťte příklad kódu rychlého startu popis.
Zkopírujte scénáře/ javascript/node/popis/ ukázkové soubory z GitHubu do adresáře projektu.
Otevřete příkazový řádek ve stejném adresáři jako
Captioning.js
.Nainstalujte sadu Speech SDK pro JavaScript:
npm install microsoft-cognitiveservices-speech-sdk
Spusťte aplikaci s upřednostňovanými argumenty příkazového řádku. Dostupné možnosti najdete v tématu využití a argumenty . Zde je příklad:
node captioning.js --key YourSubscriptionKey --region YourServiceRegion --input caption.this.wav --output caption.output.txt --srt --recognizing --threshold 5 --profanity mask --phrases "Contoso;Jessie;Rehaan"
Nahraďte
YourSubscriptionKey
svým klíčem prostředku služby Speech a nahraďteYourServiceRegion
oblastí prostředků služby Speech, napříkladwestus
nebonortheurope
. Ujistěte se, že cesty zadané--input
a--output
jsou platné. Jinak je nutné změnit cesty.Poznámka:
Sada Speech SDK pro JavaScript nepodporuje komprimovaný vstup zvuku. Musíte použít soubor WAV, jak je znázorněno v příkladu.
Důležité
Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v článku zabezpečení služeb Azure AI.
Kontrola výsledků
Výstupní soubor s úplnými popis se zapíše do caption.output.txt
. Průběžné výsledky se zobrazují v konzole:
00:00:00,180 --> 00:00:01,600
Welcome to
00:00:00,180 --> 00:00:01,820
Welcome to applied
00:00:00,180 --> 00:00:02,420
Welcome to applied mathematics
00:00:00,180 --> 00:00:02,930
Welcome to applied mathematics course
00:00:00,180 --> 00:00:03,100
Welcome to applied Mathematics course 2
00:00:00,180 --> 00:00:03,230
Welcome to applied Mathematics course 201.
Výstupní formát časového rozsahu SRT (SubRip Text) je hh:mm:ss,fff
. Další informace naleznete v tématu Formát výstupu titulku.
Využití a argumenty
Použití: node captioning.js --key <key> --region <region> --input <input file>
mezi možnosti Připojení patří:
--key
: Váš klíč prostředku služby Speech.--region REGION
: Oblast vašeho prostředku služby Speech. Příklady:westus
,northeurope
Mezi vstupní možnosti patří:
--input FILE
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon.--format FORMAT
: Použijte komprimovaný zvukový formát. Platné pouze s--file
. Platné hodnoty jsoualaw
, ,flac
any
,mp3
,mulaw
aogg_opus
. Výchozí hodnota jeany
. Pokud chcete použítwav
soubor, nezadávejte formát. Tato možnost není k dispozici s ukázkou popis JavaScriptu. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.
Mezi jazykové možnosti patří:
--languages LANG1,LANG2
: Povolte identifikaci jazyka pro zadané jazyky. Například:en-US,ja-JP
. Tato možnost je k dispozici pouze s ukázkami jazyka C++, C# a Pythonu popis. Další informace naleznete v tématu Identifikace jazyka.
Mezi možnosti rozpoznávání patří:
--recognizing
: Výsledky výstupníRecognizing
události. Výchozí výstup jeRecognized
pouze výsledky událostí. Vždycky se zapisují do konzoly, nikdy do výstupního souboru. Tato--quiet
možnost tuto možnost přepíše. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.
Mezi možnosti přesnosti patří:
--phrases PHRASE1;PHRASE2
: Můžete zadat seznam frází, které se mají rozpoznat, napříkladContoso;Jessie;Rehaan
. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Mezi možnosti výstupu patří:
--help
: Zobrazit tuto nápovědu a zastavit--output FILE
: Výstup popis do zadanéhofile
. Tento příznak je povinný.--srt
: Výstupní popis ve formátu SRT (SubRip Text). Výchozí formát je WebVTT (Stopy textu webového videa). Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku.--quiet
: Potlačit výstup konzoly s výjimkou chyb.--profanity OPTION
: Platné hodnoty: raw, remove, mask. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--threshold NUMBER
: Nastavte stabilní prahovou hodnotu částečného výsledku. Výchozí hodnota je3
. Další informace najdete v tématu Získání konceptů částečných výsledků .
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
Referenční dokumentace | Balíček (stáhnout) | Další ukázky na GitHubu
Sada Speech SDK pro Objective-C podporuje získávání výsledků rozpoznávání řeči pro popis, ale zatím jsme tu nezahrnuli průvodce. Začněte výběrem jiného programovacího jazyka a seznamte se s koncepty nebo si projděte referenční informace k Objective-C a ukázky propojené od začátku tohoto článku.
Referenční dokumentace | Balíček (stáhnout) | Další ukázky na GitHubu
Sada Speech SDK pro Swift podporuje získávání výsledků rozpoznávání řeči pro popis, ale zatím jsme do ní nezahrnuli průvodce. Začněte výběrem jiného programovacího jazyka a seznamte se s koncepty nebo si prohlédněte referenční informace a ukázky Swiftu, které jsou propojené od začátku tohoto článku.
Referenční dokumentace | – balíček (PyPi) | Další ukázky na GitHubu
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Sada Speech SDK pro Python je k dispozici jako modul PyPI (Python Package Index). Sada Speech SDK pro Python je kompatibilní s Windows, Linuxem a macOS.
- Musíte nainstalovat Microsoft Distribuovatelné součásti Visual C++ pro Visual Studio 2015, 2017, 2019 a 2022 pro vaši platformu. První instalace tohoto balíčku může vyžadovat restartování.
- V Linuxu musíte použít cílovou architekturu x64.
- Nainstalujte verzi Pythonu z verze 3.10 nebo novější. Nejprve si projděte průvodce instalací sady SDK a zjistěte další požadavky.
- Musíte také nainstalovat GStreamer pro komprimovaný vstupní zvuk.
Nastavení proměnných prostředí
Aby vaše aplikace získala přístup k prostředkům služeb Azure AI, musí být ověřená. V produkčním prostředí použijte bezpečný způsob ukládání a přístupu k vašim přihlašovacím údajům. Když například získáte klíč pro prostředek služby Speech, zapište ho do nové proměnné prostředí na místním počítači, na kterém běží aplikace.
Tip
Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v tématu Zabezpečení služeb Azure AI.
Pokud chcete nastavit proměnnou prostředí pro váš klíč prostředku služby Speech, otevřete okno konzoly a postupujte podle pokynů pro váš operační systém a vývojové prostředí.
- Pokud chcete nastavit proměnnou
SPEECH_KEY
prostředí, nahraďte klíč jedním z klíčů vašeho prostředku. - Pokud chcete nastavit proměnnou
SPEECH_REGION
prostředí, nahraďte oblast jednou z oblastí vašeho prostředku.
setx SPEECH_KEY your-key
setx SPEECH_REGION your-region
Poznámka:
Pokud potřebujete přístup pouze k proměnným prostředí v aktuální konzole, můžete nastavit proměnnou prostředí namísto set
setx
.
Po přidání proměnných prostředí možná budete muset restartovat všechny programy, které potřebují přečíst proměnnou prostředí, včetně okna konzoly. Pokud například jako editor používáte Sadu Visual Studio, restartujte sadu Visual Studio před spuštěním příkladu.
Vytváření popis z řeči
Pomocí těchto kroků sestavte a spusťte příklad kódu rychlého startu popis.
- Stáhněte nebo zkopírujte scénáře,python/console/popis/ ukázkové soubory z GitHubu do místního adresáře.
- Otevřete příkazový řádek ve stejném adresáři jako
captioning.py
. - Spuštěním tohoto příkazu nainstalujte sadu Speech SDK:
pip install azure-cognitiveservices-speech
- Spusťte aplikaci s upřednostňovanými argumenty příkazového řádku. Dostupné možnosti najdete v tématu využití a argumenty . Tady je příklad:
python captioning.py --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
Důležité
Ujistěte se, že cesty zadané
--input
a--output
jsou platné. Jinak je nutné změnit cesty.Ujistěte se, že jste nastavili
SPEECH_KEY
proměnné prostředí aSPEECH_REGION
jak je popsáno výše. V opačném případě použijte argumenty--key
a--region
argumenty.
Kontrola výsledků
Pokud použijete realTime
možnost v předchozím příkladu, budou ve výstupu zahrnuty částečné výsledky z Recognizing
událostí. V tomto příkladu obsahuje pouze poslední Recognized
událost čárky. Čárky nejsou jedinými rozdíly mezi Recognizing
událostmi a Recognized
událostmi. Další informace najdete v tématu Získání částečných výsledků.
1
00:00:00,170 --> 00:00:00,380
The
2
00:00:00,380 --> 00:00:01,770
The rainbow
3
00:00:01,770 --> 00:00:02,560
The rainbow has seven
4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors
5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red
6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange
7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow
8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green
9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.
Při použití této --offline
možnosti jsou výsledky stabilní z poslední Recognized
události. Ve výstupu nejsou zahrnuté částečné výsledky:
1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,
2
00:00:05,540 --> 00:00:07,160
indigo and Violet.
Výstupní formát časového rozsahu SRT (SubRip Text) je hh:mm:ss,fff
. Další informace naleznete v tématu Formát výstupu titulku.
Využití a argumenty
Použití: python captioning.py --input <input file>
mezi možnosti Připojení patří:
--key
: Váš klíč prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_KEY. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--key
tuto možnost.--region REGION
: Oblast vašeho prostředku služby Speech. Přepíše proměnnou prostředí SPEECH_REGION. Musíte nastavit proměnnou prostředí (doporučeno) nebo použít--region
tuto možnost. Příklady:westus
,northeurope
Mezi vstupní možnosti patří:
--input FILE
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon.--format FORMAT
: Použijte komprimovaný zvukový formát. Platné pouze s--file
. Platné hodnoty jsoualaw
, ,flac
any
,mp3
,mulaw
aogg_opus
. Výchozí hodnota jeany
. Pokud chcete použítwav
soubor, nezadávejte formát. Tato možnost není k dispozici s ukázkou popis JavaScriptu. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.
Mezi jazykové možnosti patří:
--language LANG
: Zadejte jazyk pomocí jednoho z odpovídajících podporovaných národních prostředí. Používá se při dělení popis na řádky. Výchozí hodnota jeen-US
.
Mezi možnosti rozpoznávání patří:
--offline
: Výstup offline výsledků. Přepisy--realTime
. Výchozí výstupní režim je offline.--realTime
: Výstup výsledků v reálném čase
Výstup v reálném čase zahrnuje Recognizing
výsledky událostí. Výchozí offline výstup je Recognized
pouze výsledky událostí. Vždycky se zapisují do konzoly, nikdy do výstupního souboru. Tato --quiet
možnost tuto možnost přepíše. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.
Mezi možnosti přesnosti patří:
--phrases PHRASE1;PHRASE2
: Můžete zadat seznam frází, které se mají rozpoznat, napříkladContoso;Jessie;Rehaan
. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Mezi možnosti výstupu patří:
--help
: Zobrazit tuto nápovědu a zastavit--output FILE
: Výstup popis do zadanéhofile
. Tento příznak je povinný.--srt
: Výstupní popis ve formátu SRT (SubRip Text). Výchozí formát je WebVTT (Stopy textu webového videa). Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku.--maxLineLength LENGTH
: Nastavte maximální počet znaků na řádek pro popis na DÉLKU. Minimum je 20. Výchozí hodnota je 37 (30 pro čínštinu).--lines LINES
: Nastavte počet řádků pro popis na ŘÁDKY. Minimum je 1. Výchozí hodnota je 2.--delay MILLISECONDS
: Kolik milisekund pozdrží zobrazení jednotlivých popis, aby napodobily prostředí v reálném čase. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Minimum je 0,0. Výchozí hodnota je 1000.--remainTime MILLISECONDS
: Kolik milisekund popis by měl zůstat na obrazovce, pokud není nahrazen jiným. Minimum je 0,0. Výchozí hodnota je 1000.--quiet
: Potlačit výstup konzoly s výjimkou chyb.--profanity OPTION
: Platné hodnoty: raw, remove, mask. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--threshold NUMBER
: Nastavte stabilní prahovou hodnotu částečného výsledku. Výchozí hodnota je3
. Tato možnost se dá použít jenom v případě, že použijeterealTime
příznak. Další informace najdete v tématu Získání konceptů částečných výsledků .
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
V tomto rychlém startu spustíte konzolovou aplikaci, která vytvoří popis s převodem řeči na text.
Tip
Vyzkoušejte Speech Studio a zvolte ukázkový videoklip, abyste viděli výsledky zpracovávané v reálném čase nebo offline popis.
Požadavky
- Předplatné Azure – Vytvořte si ho zdarma.
- Na webu Azure Portal vytvořte prostředek služby Speech.
- Váš klíč prostředku služby Speech a oblast. Po nasazení prostředku služby Speech vyberte Přejít k prostředku a zobrazte a spravujte klíče. Další informace o prostředcích služeb Azure AI najdete v tématu Získání klíčů pro váš prostředek.
Nastavení prostředí
Postupujte podle těchtokrokůch
Spuštěním následujícího příkazu .NET CLI nainstalujte Rozhraní příkazového řádku služby Speech:
dotnet tool install --global Microsoft.CognitiveServices.Speech.CLI
Spuštěním následujících příkazů nakonfigurujte klíč prostředku a oblast služby Speech. Nahraďte
SUBSCRIPTION-KEY
klíčem prostředku služby Speech a nahraďteREGION
oblastí prostředků služby Speech.spx config @key --set SUBSCRIPTION-KEY spx config @region --set REGION
Musíte také nainstalovat GStreamer pro komprimovaný vstupní zvuk.
Vytváření popis z řeči
Pomocí rozhraní příkazového řádku služby Speech MŮŽETE vypsat výstup SRT (SubRip Text) i WebVTT (Stopy webového videa) popis z libovolného typu média, které obsahuje zvuk.
Pokud chcete rozpoznat zvuk ze souboru a výstup webVtt (vtt
) i SRT (srt
) popis, postupujte takto.
Ujistěte se, že máte vstupní soubor pojmenovaný
caption.this.mp4
v cestě.Spuštěním následujícího příkazu vypíšete popis ze videosouboru:
spx recognize --file caption.this.mp4 --format any --output vtt file - --output srt file - --output each file - @output.each.detailed --property SpeechServiceResponse_StablePartialResultThreshold=5 --profanity masked --phrases "Constoso;Jessie;Rehaan"
Popis SRT a WebVTT jsou výstupem konzoly, jak je znázorněno tady:
1 00:00:00,180 --> 00:00:03,230 Welcome to applied Mathematics course 201. WEBVTT 00:00:00.180 --> 00:00:03.230 Welcome to applied Mathematics course 201. { "ResultId": "561a0ea00cc14bb09bd294357df3270f", "Duration": "00:00:03.0500000" }
Využití a argumenty
Tady jsou podrobnosti o volitelných argumentech z předchozího příkazu:
--file caption.this.mp4 --format any
: Vstup zvuku ze souboru. Výchozí vstup je mikrofon. U komprimovaných zvukových souborů, jako je MP4, nainstalujte GStreamer a podívejte se, jak používat komprimovaný vstupní zvuk.--output vtt file -
a--output srt file -
: Výstupy WebVTT a SRT popis do standardního výstupu. Další informace o formátech souborů SRT a WebVTT popis naleznete v tématu Formát výstupu titulku. Další informace o argumentu najdete v tématu Možnosti výstupu rozhraní příkazového--output
řádku služby Speech.@output.each.detailed
: Výstupy výsledků události s textem, posunem a dobou trvání. Další informace najdete v tématu Získání výsledků rozpoznávání řeči.--property SpeechServiceResponse_StablePartialResultThreshold=5
: Můžete požádat, aby služba Speech vrátila méněRecognizing
událostí, které jsou přesnější. V tomto příkladu musí služba Speech potvrdit rozpoznávání slova alespoň pětkrát, než vám vrátí částečné výsledky. Další informace najdete v tématu Získání konceptů částečných výsledků .--profanity masked
: Můžete určit, jestli se má maskovat, odebírat nebo zobrazovat vulgární výrazy ve výsledcích rozpoznávání. Další informace najdete v tématu Koncepty filtru vulgárních výrazů.--phrases "Constoso;Jessie;Rehaan"
: Můžete zadat seznam frází, které se mají rozpoznat, například Contoso, Jessie a Rehaan. Další informace najdete v tématu Vylepšení rozpoznávání pomocí seznamu frází.
Vyčištění prostředků
Prostředek služby Speech, který jste vytvořili, můžete odebrat pomocí webu Azure Portal nebo rozhraní příkazového řádku Azure (CLI ).
Další kroky
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro