Kötegelt átírás létrehozása

Kötegelt átiratokkal hangadatokat küldhet el egy kötegben. A szolgáltatás átírja a hangadatokat, és egy tárolóban tárolja az eredményeket. Ezután lekérheti az eredményeket a tárolóból.

A kötegelt átírás befejezése a hangadatok méretétől és a beküldött fájlok számától függően több percet és órákat is igénybe vehet. A szolgáltatás terhelésétől és egyéb tényezőktől függően akár az azonos méretű hangadatok is több időt is igénybe vehetnek az átíráshoz.

Tipp.

Ha 2 óránál rövidebb és 300 MB-nál kisebb méretű hangfájlokhoz konzisztens gyors sebességre van szüksége, fontolja meg inkább a gyors átírási API használatát.

Előfeltételek

Szüksége van egy Microsoft Foundry-erőforrásra a Speechhez.

Átírási feladat létrehozása

Kötegelt átírási feladat létrehozásához használja az Átiratok – A beszéd elküldése a szöveg REST API-ba műveletét. A kérelem törzsének összeállítása az alábbi utasítások szerint:

Be kell állítania a contentContainerUrl vagy a contentUrls tulajdonságot. További információt az Azure Blob Storage kötegelt átíráshoz való használatáról a következő helyen talál: Hangfájlok keresése kötegelt átíráshoz.
Állítsa be a szükséges locale tulajdonságot. Ennek az értéknek meg kell egyeznie az átíráshoz szükséges hangadatok várt területi beállításával. Később nem módosíthatja a területi beállításokat.
Állítsa be a szükséges displayName tulajdonságot. Válasszon egy átírási nevet, amelyre később hivatkozhat. Az átírás nevének nem kell egyedinek lennie, és később módosítható.
Állítsa be a szükséges timeToLiveHours tulajdonságot. Ez a tulajdonság azt határozza meg, hogy mennyi ideig kell megőrizni az átírást a rendszerben a befejezés után. A legrövidebb támogatott időtartam 6 óra, a leghosszabb támogatott időtartam 31 nap. Az ajánlott érték 48 óra (két nap), amikor az adatok közvetlenül fel lesznek használva.
Ha nem az alapmodellt szeretné használni, állítsa a model tulajdonságot a modellazonosítóra. További információ: Egyéni modell használata és Suttogásos modell használata.
Ha szeretné, állítsa be a wordLevelTimestampsEnabled tulajdonságot úgy, hogy true lehetővé tegye a szószintű időbélyegeket az átírási eredményekben. Az alapértelmezett érték false. A Whisper-modellek esetében állítsa be helyette a displayFormWordLevelTimestampsEnabled tulajdonságot. A Whisper egy megjelenítésre szánt modell, így a lexikális mező nincs kitöltve az átiratban.
Igény szerint állítsa be a tulajdonságot languageIdentification . A nyelvi azonosítás a hangban beszélt nyelvek azonosítására szolgál a támogatott nyelvek listájával összehasonlítva. Ha beállítja a languageIdentification tulajdonságot, akkor a languageIdentification.candidateLocales mezőt a jelölt területi beállításokkal is be kell állítania.

További információ: Konfigurációs beállítások kérése.

A nyelvazonosítással, tartalék területi beállításokkal, diarizálással és válasz-ellenőrzéssel kapcsolatos teljes körű útmutatásért tekintse meg a beszédátírás nyelvazonosításának és diarizálásának konfigurálását ismertető témakört.

Tipp.

Az átírási kérések egy vagy több hangfájl URI-jait tartalmazhatják. Különítse el a rövid és hosszú hangfájlokat különböző kérésekre. A hosszú hangfájlok több feldolgozási időt igényelnek, és előfordulhat, hogy a szolgáltatás többször is újrapróbálkozza őket a számítási erőforrások elégtelensége miatt. Ez a feltétel meghosszabbítja a kérés teljes befejezési idejét. A hosszú hangfájlok egyetlen kérelemben való összekapcsolása azonban jó módszer az időmegtakarításra.

Hozzon létre egy HTTP POST-kérést, amely az URI-t használja az alábbi átiratokban látható módon – Példa elküldése .

Cserélje ki YourSpeechResoureKey a Microsoft Foundry erőforráskulcsával.
Cserélje le a(z) YourResourceName elemet a Speech-erőforrás nevére.
A kérés törzstulajdonságainak beállítása a korábban leírtak szerint.

curl -v -X POST -H "Ocp-Apim-Subscription-Key: YourSpeechResoureKey" -H "Content-Type: application/json" -d '{
  "contentUrls": [
    "https://crbn.us/hello.wav",
    "https://crbn.us/whatstheweatherlike.wav"
  ],
  "locale": "en-US",
  "displayName": "My Transcription",
  "model": null,
  "properties": {
    "wordLevelTimestampsEnabled": true,
    "languageIdentification": {
      "candidateLocales": [
        "en-US", "de-DE", "es-ES"
      ],
      "mode": "Continuous"
    },
    "timeToLiveHours": 48
  }
}'  "https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:submit?api-version=2024-11-15"

A válasz törzsének a következő formátumban kell érkeznie:

{
  "self": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions/788a1f24-f980-4809-8978-e5cf41f77b35?api-version=2024-11-15",
  "displayName": "My Transcription 2",
  "locale": "en-US",
  "createdDateTime": "2025-05-24T03:20:39Z",
  "lastActionDateTime": "2025-05-24T03:20:39Z",
  "links": {
    "files": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions/788a1f24-f980-4809-8978-e5cf41f77b35/files?api-version=2024-11-15"
  },
  "properties": {
    "wordLevelTimestampsEnabled": true,
    "displayFormWordLevelTimestampsEnabled": false,
    "channels": [
      0,
      1
    ],
    "punctuationMode": "DictatedAndAutomatic",
    "profanityFilterMode": "Masked",
    "timeToLiveHours": 48,
    "languageIdentification": {
      "candidateLocales": [
        "en-US",
        "de-DE",
        "es-ES"
      ],
      "mode": "Continuous"
    }
  },
  "status": "NotStarted"
}

A válasz törzsének legfelső szintű self tulajdonsága az átírás URI-ja. Ezzel az URI-val lekérheti az átiratok és az átírási jelentésfájlok URI-ját. Az URIt frissítésre vagy törlésre is használhat átírásnál.

Az átiratok állapotát az Átiratok – Lekérés művelettel kérdezheti le.

Átiratok – Törlés után rendszeresen törölje a szolgáltatásból, miután lekérte az eredményeket. Másik lehetőségként állítsa be a timeToLive tulajdonságot az eredmények végleges törlésének biztosítására.

Tipp.

A Batch Transcription API-t Python, C# vagy Node.js használatával is kipróbálhatja GitHub.

Átirat létrehozásához használja a spx batch transcription create parancsot. A kérelemparamétereket az alábbi utasítások szerint hozhatja létre:

Adja meg a szükséges content paramétert. Megadhatja az egyes fájlok vesszővel tagolt listáját vagy egy teljes tároló URL-címét. További információt az Azure Blob Storage kötegelt átíráshoz való használatáról a következő helyen talál: Hangfájlok keresése kötegelt átíráshoz.
Állítsa be a szükséges language tulajdonságot. Ennek az értéknek meg kell egyeznie az átíráshoz szükséges hangadatok várt területi beállításával. Később nem módosíthatja a területi beállításokat. A Speech CLI language paraméter megfelel a locale JSON-kérés és -válasz tulajdonságának.
Állítsa be a szükséges name tulajdonságot. Válasszon egy átírási nevet, amelyre később hivatkozhat. Az átírás nevének nem kell egyedinek lennie, és később módosítható. A Speech CLI name paraméter megfelel a displayName JSON-kérés és -válasz tulajdonságának.
Állítsa be a szükséges paramétert a következőre api-versionv3.2: . A Speech CLI egyelőre nem támogatja a 2024-11-15 sem az újabb verziót, ezért most a v3.2 verziót kell használnia.

Íme egy példa Speech CLI-parancsra, amely egy átírási feladatot hoz létre:

spx batch transcription create --api-version v3.2 --name "My Transcription" --language "en-US" --content https://crbn.us/hello.wav,https://crbn.us/whatstheweatherlike.wav

A válasz törzsének a következő formátumban kell érkeznie:

{
  "self": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/v3.2/transcriptions/bbbbcccc-1111-dddd-2222-eeee3333ffff",
  "model": {
    "self": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/v3.2/models/base/ccccdddd-2222-eeee-3333-ffff4444aaaa"
  },
  "links": {
    "files": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/v3.2/transcriptions/7f4232d5-9873-47a7-a6f7-4a3f00d00dc0/files"
  },
  "properties": {
    "diarizationEnabled": false,
    "wordLevelTimestampsEnabled": false,
    "channels": [
      0,
      1
    ],
    "punctuationMode": "DictatedAndAutomatic",
    "profanityFilterMode": "Masked"
  },
  "lastActionDateTime": "2025-05-24T03:20:39Z",
  "status": "NotStarted",
  "createdDateTime": "2025-05-24T03:20:39Z",
  "locale": "en-US",
  "displayName": "My Transcription",
  "description": ""
}

A válasz törzsének legfelső szintű self tulajdonsága az átírás URI-ja. Ezzel az URI-val lekérheti az átiratok és az átírási jelentésfájlok URI-ját. Ezzel az URI-val frissíthet vagy törölhet egy átírást is.

A Speech CLI átiratokkal kapcsolatos súgójához futtassa a következő parancsot:

spx help batch transcription

Konfigurációs beállítások kérése

Az alábbiakban néhány tulajdonságbeállítást talál az átírás konfigurálására, amikor meghívja az Átírások – Küldés műveletet. Ugyanazon az oldalon további példákat is találhat, például egy átirat nyelvazonosítással történő létrehozását.

A kérelem törzse két különböző szinttel rendelkezik. Egy tulajdonság helytelen elhelyezése miatt a szolgáltatás észrevétlenül figyelmen kívül hagyja, vagy érvényesítési hibát ad vissza.

Gyökérszint: Az átírási feladatot leíró metaadatok (displayName, locale, model, contentUrls, contentContainerUrl).
Belül properties: Az átírási viselkedést vezérlő beállítások. Ezeket egy "properties": { } objektumba csomagolja.

Fontos

destinationContainerUrl az properties objektumon belülre tartozik, nem a kérés törzsének gyökérszintjén. Ha a fájlrendszer gyökérkönyvtárába helyezi, a szolgáltatás figyelmen kívül hagyja, és az átírási eredmények anélkül, hogy értesítés történne, a Microsoft által felügyelt tárolóba lesznek írva.

Az alábbi példa a megfelelő struktúrát mutatja be:

{
  "contentUrls": ["https://..."],
  "locale": "en-US",
  "displayName": "My Transcription",
  "model": null,
  "properties": {
    "destinationContainerUrl": "https://<storage>.blob.core.windows.net/<container>?<SAS>",
    "wordLevelTimestampsEnabled": true,
    "timeToLiveHours": 48
  }
}

Tulajdonság	Hely a kérelem törzsében	Leírás
`contentContainerUrl`	Gyökérszint	Egyéni hangfájlokat vagy egy teljes tárolót is elküldhet. A hangadatok helyét a vagy a `contentContainerUrlcontentUrls` tulajdonság használatával kell megadnia. További információt az Azure Blob Storage kötegelt átíráshoz való használatáról a következő helyen talál: Hangfájlok keresése kötegelt átíráshoz. Ez a tulajdonság nem jelenik meg a válaszban.
`contentUrls`	Gyökérszint	Egyéni hangfájlokat vagy egy teljes tárolót is elküldhet. A hangadatok helyét a vagy a `contentContainerUrlcontentUrls` tulajdonság használatával kell megadnia. További információért lásd: Hangfájlok megkeresése kötegelt átíráshoz. Ez a tulajdonság nem jelenik meg a válaszban.
`displayName`	Gyökérszint	A köteg átírásának neve. Válasszon egy nevet, amelyre később hivatkozhat. A megjelenítendő névnek nem kell egyedinek lennie. Ez a tulajdonság kötelező.
`locale`	Gyökérszint	A köteg transzkripció nyelvi beállítása. Ennek az értéknek meg kell egyeznie az átíráshoz szükséges hangadatok várt területi beállításával. A területi beállítás később nem módosítható. Ez a tulajdonság kötelező.
`model`	Gyökérszint	Beállíthatja, hogy a `model` tulajdonság egy adott alapmodellt vagy egyéni beszédmodellt használjon. Ha nem adja meg a `model`beállítást, a rendszer az alapértelmezett alapmodellt használja a területi beállításhoz. További információ: Egyéni modell használata és Suttogásos modell használata.
`channels`	Belül `properties`	A feldolgozandó csatornaszámok tömbje. Csatornák `0` , és `1` alapértelmezés szerint át vannak írva.
`destinationContainerUrl`	Belül `properties`	Az eredmény egy Azure tárolóban tárolható. Ha nem ad meg tárolót, a Speech szolgáltatás az eredményeket a Microsoft által felügyelt tárolóban tárolja. Az átírási feladat törlésekor az átírás eredményadatai is törlődnek. További információért, például a támogatott biztonsági forgatókönyvekről, tekintse meg a céltároló URL-címének megadása részt.
`diarization`	Belül `properties`	Azt jelzi, hogy a Speech szolgáltatásnak meg kell kísérelnie a bemenet diarizálási elemzését, amely várhatóan egy több hangot tartalmazó mono csatorna lesz. A funkció sztereó felvételekkel nem érhető el. A diarizálás a hangszórók hangadatokban való elválasztásának folyamata. A batch-folyamat több hangszórót is képes felismerni és elkülöníteni a monocsatornás felvételeken. Adja meg az esetleg beszélő személyek minimális és maximális számát. A `diarizationEnabled` tulajdonságot be kell állítania `true`-re is. Az átírási fájl minden átírt kifejezéshez tartalmaz egy `speaker` bejegyzést. Ezt a tulajdonságot akkor kell használnia, ha három vagy több hangszórót vár. Két hangszóró esetén elegendő a `diarizationEnabled` tulajdonságot `true`-re beállítani. A tulajdonsághasználatra példa: Átírások – Küldés. A diarizáláshoz használt hangszórók maximális számának 36-nál kevesebbnek kell lennie, és legalább a `minCount` tulajdonságnak meg kell egyenlõnek lennie. Példa: Átírások – Küldés. Ha ezt a tulajdonságot választja, a forrás hanghossza nem haladhatja meg a fájlonkénti 240 percet. Megjegyzés: Ez a tulajdonság csak a Speech to text REST API 3.1-es és újabb verziójával érhető el. Ha ezt a tulajdonságot bármely korábbi verzióval (például 3.0-s verzióval) állítja be, a rendszer figyelmen kívül hagyja, és csak két hangszórót azonosít.
`diarizationEnabled`	Belül `properties`	Meghatározza, hogy a Speech szolgáltatásnak meg kell kísérelnie a bemenet diarizálási elemzését, amely várhatóan egy két hangot tartalmazó mono csatorna lesz. Az alapértelmezett érték `false`. Három vagy több hang esetén a tulajdonságot `diarization`is használnia kell. Csak a Speech to text REST API 3.1-es és újabb verziójával használható. Ha ezt a tulajdonságot választja, a forrás hanghossza nem haladhatja meg a fájlonkénti 240 percet.
`displayFormWordLevelTimestampsEnabled`	Belül `properties`	Megadja, hogy szószintű időbélyegeket kell-e hozzáadni az átírási eredmények megjelenítési formájához. Az eredmények az `displayWords` átiratfájl tulajdonságában jelennek meg. Az alapértelmezett érték `false`. Megjegyzés: Ez a tulajdonság csak a Speech to text REST API 3.1-es és újabb verziójával érhető el.
`languageIdentification`	Belül `properties`	A nyelvi azonosítás a hangban beszélt nyelvek azonosítására szolgál a támogatott nyelvek listájával összehasonlítva. Ha beállítja a `languageIdentification` tulajdonságot, akkor annak zárt `candidateLocales` tulajdonságát is be kell állítania.
`languageIdentification.candidateLocales`	Belül `properties`	A nyelvazonosításra jelölt nyelvi lokalitások, például `"properties": { "languageIdentification": { "candidateLocales": ["en-US", "de-DE", "es-ES"]}}`. Legalább két és legfeljebb tíz jelölt területi beállítás támogatott, beleértve az átírás fő területi beállítását is.
`profanityFilterMode`	Belül `properties`	Meghatározza, hogyan kezelheti a profanitást a felismerési eredményekben. Az elfogadott értékek a `None` trágárság szűrésének letiltása, `Masked` a trágárság csillagokkal való helyettesítése, `Removed` az összes trágárság eltávolítása az eredményből, vagy `Tags` trágár címkék hozzáadása. Az alapértelmezett érték `Masked`.
`punctuationMode`	Belül `properties`	Meghatározza, hogyan kezelhetők az írásjelek a felismerési eredményekben. Az elfogadott értékek az `None` írásjelek letiltása, `Dictated` a explicit (kimondott) írásjelek, `Automatic` a dekóder írásjelekkel való kezelése, vagy `DictatedAndAutomatic` diktált és automatikus írásjelek használata. Az alapértelmezett érték `DictatedAndAutomatic`. Ez a tulajdonság nem alkalmazható a Whisper-modellekre.
`timeToLiveHours`	Belül `properties`	Ez a kötelező tulajdonság azt határozza meg, hogy mennyi ideig kell megőrizni az átírást a rendszerben a befejezés után. Miután az átírás elérte a "time to live" időt (befejezés után, sikeres vagy sikertelen), a rendszer automatikusan törli. A legrövidebb támogatott időtartam 6 óra, a leghosszabb támogatott időtartam 31 nap. Az ajánlott érték 48 óra (két nap), amikor az adatok közvetlenül fel lesznek használva. Alternatív megoldásként rendszeresen meghívhatja a Transcriptions - Delete funkciót, miután lekérte az átírási eredményeket.
`wordLevelTimestampsEnabled`	Belül `properties`	Meghatározza, hogy a szószintű időbélyegek szerepeljenek-e a kimenetben. Az alapértelmezett érték `false`. Ez a tulajdonság nem alkalmazható a Whisper-modellekre. A Whisper egy megjelenítésre szánt modell, így a lexikális mező nincs kitöltve az átiratban.

A Speech CLI az átírás konfigurációs beállításaival kapcsolatos súgójához futtassa a következő parancsot:

spx help batch transcription create advanced

Egyéni modell használata

A Batch-átírás az alapértelmezett alapmodellt használja a megadott területi beállításhoz. Az alapértelmezett alapmodell használatához nem kell tulajdonságokat beállítania.

Ha szeretné, módosíthatja az előző létrehozási átírási példát úgy, hogy a model tulajdonságot egy adott alapmodell vagy egyéni beszédmodell használatára állítja be.

curl -v -X POST -H "Ocp-Apim-Subscription-Key: YourSpeechResoureKey" -H "Content-Type: application/json" -d '{
  "contentUrls": [
    "https://crbn.us/hello.wav",
    "https://crbn.us/whatstheweatherlike.wav"
  ],
  "locale": "en-US",
  "displayName": "My Transcription",
  "model": {
    "self": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base/ccccdddd-2222-eeee-3333-ffff4444aaaa"
  },
  "properties": {
    "wordLevelTimestampsEnabled": true,
  }
}'  "https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:submit?api-version=2024-11-15"

spx batch transcription create --name "My Transcription" --language "en-US" --content https://crbn.us/hello.wav,https://crbn.us/whatstheweatherlike.wav --model "https://YourResourceName.cognitiveservices.azure.com/speechtotext/v3.2/models/base/ccccdddd-2222-eeee-3333-ffff4444aaaa"

Ha egyéni beszédmodellt szeretne használni a tételes átíráshoz, szüksége van a modell URI-jára. A válasz törzsének legfelső szintű self tulajdonsága a modell URI-ja. A modell létrehozásakor vagy lekérésekor lekérheti a modell helyét. További információkért tekintse meg a modell létrehozása JSON-válasz példáját.

Tipp.

Nem szükséges üzemeltetett üzembe helyezési végpontot használni az egyedi beszédfelismeréshez a kötegátírási szolgáltatással. Az erőforrásokat akkor lehet megőrizni, ha az egyéni beszédmodellt csak kötegelt átíráshoz használja.

A lejárt modellek kötegelt átírási kérelmei 4xx hibával meghiúsulnak. Állítsa be a model tulajdonságot alapmodellre vagy nem lejárt egyéni modellre. Ellenkező esetben ne tartalmazza a tulajdonságot, model hogy mindig a legújabb alapmodellt használja. További információ: Modell kiválasztása és egyéni beszédmodell életciklusa.

Nyelvi azonosítás

A Batch átírási REST API nyelvi azonosításának elvégzéséhez használja a languageIdentification tulajdonságot a Transcriptions - Submit kérés törzsében.

Figyelmeztetés

A Batch-átírás csak az alapértelmezett alapmodellekhez támogatja a nyelvazonosítást. Ha az átírási kérelemben a nyelvazonosítás és az egyéni modell is meg van adva, a szolgáltatás visszaesik a megadott nyelvek alapmodelljeinek használatára. Ez váratlan felismerési eredményeket eredményezhet.

Ha a beszéd szöveggé alakításának esetéhez nyelvi azonosításra és egyéni modellekre is szükség van, használjon valós idejű szövegátalakítást a kötegelt átírás helyett.

Az alábbi példa azt mutatja be, hogyan használható a(z) languageIdentification tulajdonság négy jelölt nyelvvel. A kérelmek tulajdonságaival kapcsolatos további információkért lásd : Kötegátirat létrehozása.

{
    <...>
    
    "properties": {
    <...>
    
        "languageIdentification": {
            "candidateLocales": [
            "en-US",
            "ja-JP",
            "zh-CN",
            "hi-IN"
            ]
        },	
        <...>
    }
}

Whisper-modell használata

Azure Speech in Foundry Tools a batch transcription API használatával támogatja az OpenAI Whisper modelljét. A Whisper modellt csoportos átíráshoz használhatja.

Megjegyzés

Azure OpenAI a Microsoft Foundry Modelsben az OpenAI Whisper modelljét is támogatja a beszéd szöveggé alakítására szinkron REST API-val. További információkért lásd: Beszédfelismerés az Azure OpenAI Whisper modellel. A Azure Speech és Azure OpenAI Microsoft Öntödei modellekben való használatáról további információt az OpenAI-átírási modellek ismertetése című témakörben talál.

Ha a Whisper modellt szeretné használni kötegelt átíráshoz, be kell állítania a model tulajdonságot. A Whisper egy csak megjelenített modell, így a lexikális mező nem lesz kitöltve a válaszban.

Fontos

A kötegelt átírás a Whisper-modellek használatával elérhető azokban a régiókban, amelyek támogatják ezt a funkciót. A támogatott régiók aktuális listájáért tekintse meg a Speech szolgáltatás régiói táblát. Felhívjuk figyelmét, hogy a Whisper-modell támogatása csak azokra a régiókra korlátozódhat, amelyek támogatják a kötegelt átírást.

A Modellek – Alapmodellek listázása kéréssel elérhető alapmodelleket kérhet le az összes területi beállításhoz.

Hozzon létre egy HTTP GET kérést a régióra vonatkozó eastus alábbi példában látható módon. Cserélje ki YourSpeechResoureKey a Microsoft Foundry erőforráskulcsával. Cserélje le eastus , ha másik régiót használ.

curl -v -X GET "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base?api-version=2024-11-15" -H "Ocp-Apim-Subscription-Key: YourSpeechResoureKey"

Alapértelmezés szerint csak a 100 legrégebbi alapmodell lesz visszaadva. Az eredmények lapozásához használja a skip és top a lekérdezési paramétereket. A következő kérés például az első 100 után a következő 100 alapmodellt adja vissza.

curl -v -X GET "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base?api-version=2024-11-15&skip=100&top=100" -H "Ocp-Apim-Subscription-Key: YourSpeechResoureKey"

Győződjön meg arról, hogy az egyik támogatott régióban beállította a Speech foundry-erőforrásának konfigurációs változóit . A spx csr list --base parancs futtatásával megszerezheti az elérhető alapmodelleket minden területi beállításhoz.

Állítsa be a szükséges paramétert a következőre api-versionv3.2: . A Speech CLI egyelőre nem támogatja a 2024-11-15 sem az újabb verziót, ezért most a v3.2 verziót kell használnia.

spx csr list --base --api-version v3.2

A displayName Whisper-modell tulajdonsága tartalmazza a "Whisper" kifejezést, ahogyan az ebben a példában látható. A Whisper egy megjelenítésre szánt modell, így a lexikális mező nincs kitöltve az átiratban.

{
  "links": {
    "manifest": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base/69adf293-9664-4040-932b-02ed16332e00/manifest?api-version=2024-11-15"
  },
  "properties": {
    "deprecationDates": {
      "adaptationDateTime": "2025-04-15T00:00:00Z",
      "transcriptionDateTime": "2026-04-15T00:00:00Z"
    },
    "features": {
      "supportsAdaptationsWith": [
        "Acoustic"
      ],
      "supportsTranscriptionsSubmit": true,
      "supportsTranscriptionsTranscribe": false,
      "supportsEndpoints": false,
      "supportsTranscriptionsOnSpeechContainers": false,
      "supportedOutputFormats": [
        "Display"
      ]
    },
    "chargeForAdaptation": true
  },
  "self": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base/69adf293-9664-4040-932b-02ed16332e00?api-version=2024-11-15",
  "displayName": "20240228 Whisper Large V2",
  "description": "OpenAI Whisper Model in Azure Speech (Whisper v2-large)",
  "locale": "en-US",
  "createdDateTime": "2024-02-29T15:46:31Z",
  "lastActionDateTime": "2024-02-29T15:51:53Z",
  "status": "Succeeded"
},

A teljes modell URI-ját a következő példában látható módon állítja be a eastus régióhoz. Cserélje ki YourSpeechResoureKey a Microsoft Foundry erőforráskulcsával. Cserélje le eastus , ha másik régiót használ.

curl -v -X POST -H "Ocp-Apim-Subscription-Key: YourSpeechResoureKey" -H "Content-Type: application/json" -d '{
  "contentUrls": [
    "https://crbn.us/hello.wav",
    "https://crbn.us/whatstheweatherlike.wav"
  ],
  "locale": "en-US",
  "displayName": "My Transcription",
  "model": {
    "self": "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base/69adf293-9664-4040-932b-02ed16332e00?api-version=2024-11-15"
  },
  "properties": {
    "wordLevelTimestampsEnabled": true,
  },
}'  "https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:submit?api-version=2024-11-15"

A teljes modell URI-ját a következő példában látható módon állítja be a eastus régióhoz. Cserélje le eastus , ha másik régiót használ.

spx batch transcription create --name "My Transcription" --language "en-US" --content https://crbn.us/hello.wav,https://crbn.us/whatstheweatherlike.wav --model "https://YourResourceName.cognitiveservices.azure.com/speechtotext/models/base/ddddeeee-3333-ffff-4444-aaaa5555bbbb" --api-version v3.2

Webhook-értesítések beállítása

Az átírási állapot lekérdezése helyett regisztrálhat egy webhookot, hogy értesítést kapjon az átírási feladat befejeződésekor (vagy bármely más terminálállapot elérésekor).

Használja a Web hooks - Létrehozás műveletet a webhook végpont regisztrálásához. A Speech szolgáltatás HTTP POST-visszahívásokat küld a végpontnak transcription.created, transcription.processing, transcription.succeeded, transcription.failedés transcription.deleted események esetén.

Tűzfalkövetelmények

A Speech szolgáltatás kimenő HTTPS-hívásokat kezdeményez a felügyelt infrastruktúrából a webhook végpontjára. A hívások fogadásához a végpont tűzfalának vagy hálózati biztonsági csoportjának engedélyeznie kell a bejövő forgalmat az Azure szolgáltatáscímkéje CognitiveServicesManagementalapján.

Fontos

Ha a bejövő forgalom CognitiveServicesManagement blokkolva van, a Speech szolgáltatás nem tudja elérni a végpontot. A webhook regisztrációja sikeres – mivel a regisztráció csak az ügyféltől a Speech API-ba irányuló kimenő hívással jár –, de az összes későbbi eseményvisszahívás csendesen meghiúsul.

Az Azure által üzemeltetett végpontok esetében adjon hozzá egy bejövő szabályt a hálózati biztonsági csoporthoz:

Forrás: Szolgáltatáscímke CognitiveServicesManagement
Célport: 443 (HTTPS)
Művelet: Engedélyezés

Webhook hitelesítési kézfogás

Új webhook regisztrálásakor a Speech szolgáltatás azonnal érvényesítési kérelmet küld annak igazolására, hogy a végpont elérhető és az Ön felügyelete alatt áll. A végpontnak helyesen kell válaszolnia, különben a regisztráció sikertelen.

Az érvényesítési kérelem a következőképpen néz ki:

POST https://your-endpoint.example.com/?validationToken=<token>

Főbb részletek:

A token lekérdezési karaktersorozat paraméterként (validationToken) kerül kézbesítésre, nem a kérés törzsében.
A végpontnak HTTP 200 OK válasszal kell reagálnia, és a nyers token sztringet egyszerű szövegként (Content-Type: text/plain) kell visszaadnia.
A JSON visszaadása (például {"validationToken": "..."}) sikertelen ellenőrzést okoz.

Fontos

Gyakori hiba: A token egyszerű szöveg helyett JSON-objektumként való visszajelzése miatt a webhook regisztrációja sikertelen lesz, anélkül, hogy a szolgáltatás egyértelmű hibát jelezne. A tokent mindig egyszerű szövegként adja vissza.

Python-példa: érvényesítési kezelő

Az alábbi példa egy minimális Python-webhook-végpontot mutat be a Flask használatával. Beolvassa a lekérdezési validationToken sztringből, és egyszerű szövegként adja vissza.

import flask
import json

app = flask.Flask(__name__)

@app.route("/webhook", methods=["POST"])
def webhook():
    # Validation handshake: Speech sends the token as a query parameter.
    # Return it as plain text—do NOT return JSON.
    validation_token = flask.request.args.get("validationToken")
    if validation_token:
        return flask.Response(validation_token, status=200, mimetype="text/plain")

    # Normal event callback: parse the JSON body.
    event = flask.request.get_json(silent=True) or {}
    event_type = event.get("events", [{}])[0].get("kind", "")

    if event_type == "TranscriptionSucceeded":
        transcription_url = event.get("self", "")
        print(f"Transcription completed: {transcription_url}")
        # TODO: fetch results from transcription_url

    return flask.Response(status=200)

if __name__ == "__main__":
    app.run(port=5000)

Hivatkozás: flask.Request.args, flask.Response

A webhook regisztrálása

Miután a végpontot megfelelt az ellenőrzésen, regisztrálja azt a Webhooks – Létrehozás műveletével:

curl -X POST \
  -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" \
  -H "Content-Type: application/json" \
  -d '{
    "displayName": "My Transcription Webhook",
    "events": {
      "transcriptionSucceeded": true,
      "transcriptionFailed": true
    },
    "webUrl": "https://your-endpoint.example.com/webhook"
  }' \
  "https://YourResourceName.cognitiveservices.azure.com/speechtotext/webhooks?api-version=2024-11-15"

Cserélje ki YourSpeechResourceKey a Microsoft Foundry erőforráskulcsával.
Cserélje le a(z) YourResourceName elemet a saját Speech-erőforrása nevére.
Cserélje le a webUrl nyilvánosan elérhető HTTPS-végpont URL-címére.

A támogatott eseménytípusok teljes listájáért tekintse meg a webes horgok hivatkozását.

Céltároló URL-címének megadása

Az átírási eredmény egy Azure tárolóban tárolható. Ha nem ad meg tárolót, a Speech szolgáltatás az eredményeket a Microsoft által felügyelt tárolóban tárolja. Ebben az esetben az átírási feladat törlésekor az átírás eredményadatai is törlődnek.

A kötegelt átírás eredményeit egy írható Azure Blob Storage-tárolóba tárolhatja a destinationContainerUrl opcióval a kötegelt átírás létrehozási kérelmében. Ez a beállítás csak ad hoc SAS URI-t használ, és nem támogatja a Trusted Azure services biztonsági mechanizmusát. Ez a beállítás nem támogatja az Access szabályzatalapú SAS-t sem. A céltároló Tárfiók-erőforrásának minden külső forgalmat engedélyeznie kell.

Ha az átírási eredményeket egy Azure Blob Storage-tárolóban szeretné tárolni a Megbízott Azure szolgáltatások biztonsági mechanizmusával, fontolja meg a Bring-your-own-storage (BYOS) használatát. További információ: A Saját tárterület (BYOS) Microsoft Foundry-erőforrás használata a beszéd szöveggé alakításához.

Visszajelzés

Hasznosnak találta ezt az oldalt?

Utolsó frissítés időpontja: 2026-04-03

Kötegelt átírás létrehozása

Előfeltételek

Átírási feladat létrehozása

Konfigurációs beállítások kérése

Egyéni modell használata

Nyelvi azonosítás

Whisper-modell használata

Webhook-értesítések beállítása

Tűzfalkövetelmények

Webhook hitelesítési kézfogás

Python-példa: érvényesítési kezelő

A webhook regisztrálása

Céltároló URL-címének megadása

Kapcsolódó tartalom

Visszajelzés

További források