Uso de la API de conversión de voz en texto de Azure AI

  • 5 minutos

El servicio Azure AI Speech admite el reconocimiento de voz mediante las siguientes características:

  • Transcripción en tiempo real: transcripción instantánea con resultados intermedios para entradas de audio en vivo.
  • Transcripción rápida: salida sincrónica más rápida para situaciones con latencia predecible.
  • Transcripción por lotes: procesamiento eficaz para grandes volúmenes de audio pregrabado.
  • Habla personalizada: modelos con precisión mejorada para dominios y condiciones específicos.

Uso del SDK de Voz de Azure AI

Aunque los detalles específicos varían, según el SDK que se esté usando (Python, C#, etc.), hay un patrón coherente para usar la API Speech to Text:

Diagrama que muestra cómo se crea un objeto SpeechRecognizer a partir de speechConfig y AudioConfig, y su método RecognizeOnceAsync se usa para llamar a Speech API.

  1. Use un objeto SpeechConfig para encapsular la información necesaria para conectarse al recurso de Voz de Azure AI. En concreto, su ubicación y clave.
  2. También puede usar un objeto AudioConfig para definir el origen de entrada del audio que se va a transcribir. De manera predeterminada, es el micrófono predeterminado del sistema, pero también puede especificar un archivo de audio.
  3. Use SpeechConfig y AudioConfig para crear un objeto SpeechRecognizer. Este objeto es un cliente proxy para la API Speech to Text.
  4. Use los métodos del objeto SpeechRecognizer para llamar a las funciones de API subyacentes. Por ejemplo, el método RecognizeOnceAsync() usa el servicio De voz de Azure AI para transcribir de forma asincrónica una sola expresión hablada.
  5. Procese la respuesta del servicio Azure AI Speech. En el caso del método RecognizeOnceAsync(), el resultado es un objeto SpeechRecognitionResult que incluye las siguientes propiedades:
    • Duración
    • OffsetInTicks
    • Propiedades
    • Motivo
    • ResultId
    • Mensaje de texto

Si la operación se realizó correctamente, la propiedad Reason tiene el valor enumerado RecognizeSpeech y la propiedad Text contiene la transcripción. Otros valores posibles para Result incluyen NoMatch (que indica que el audio se ha analizado correctamente, pero no se reconoció ninguna voz) o Cancelado, lo que indica que se produjo un error (en cuyo caso, puede comprobar la colección Properties para la propiedad CancellationReason para determinar lo que salió mal).