Rövid útmutató: Egyéni hang segéd létrehozása

Cikk
02/24/2024

Ebben a rövid útmutatóban a Speech SDK használatával fog létrehozni egy egyéni hang segéd alkalmazást, amely egy már létrehozott és konfigurált robothoz csatlakozik. Ha robotot kell létrehoznia, tekintse meg a kapcsolódó oktatóanyagot egy átfogóbb útmutatóért.

Néhány előfeltétel teljesülése után az egyéni hang segéd csatlakoztatása csak néhány lépésből áll:

Hozzon létre egy objektumot BotFrameworkConfig az előfizetői azonosítóból és a régióból.
Hozzon létre egy DialogServiceConnector objektumot a BotFrameworkConfig fenti objektummal.
DialogServiceConnector Az objektum használatával indítsa el egyetlen kimondott szöveg figyelési folyamatát.
Vizsgálja meg a ActivityReceivedEventArgs visszaadott fájlt.

Megjegyzés

A C++, a JavaScript, az Objective-C, a Python és a Swift speech SDK támogatja az egyéni hangsegédeket, de még nem tartalmaztunk útmutatót.

Az összes Speech SDK C#-mintát megtekintheti vagy letöltheti a GitHubon.

Előfeltételek

Az első lépések előtt győződjön meg arról, hogy:

Speech-erőforrás létrehozása
A fejlesztési környezet beállítása és egy üres projekt létrehozása
A Direct Line Speech-csatornához csatlakoztatott robot létrehozása
Győződjön meg arról, hogy rendelkezik hozzáféréssel egy mikrofonhoz a hangrögzítéshez

Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.

A projekt megnyitása a Visual Studióban

Első lépésként győződjön meg arról, hogy a projekt nyitva van a Visual Studióban.

Kezdje egy sablonkóddal

Adjunk hozzá néhány kódot, amely a projekt vázaként működik.

A Megoldáskezelőben nyissa meg a következőt MainPage.xaml: .

A tervező XAML nézetében cserélje le a teljes tartalmat a következő kódrészletre, amely egy alapvető felhasználói felületet határoz meg:

<Page
    x:Class="helloworld.MainPage"
    xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation"
    xmlns:x="http://schemas.microsoft.com/winfx/2006/xaml"
    xmlns:local="using:helloworld"
    xmlns:d="http://schemas.microsoft.com/expression/blend/2008"
    xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006"
    mc:Ignorable="d"
    Background="{ThemeResource ApplicationPageBackgroundThemeBrush}">

    <Grid>
        <StackPanel Orientation="Vertical" HorizontalAlignment="Center"  
                    Margin="20,50,0,0" VerticalAlignment="Center" Width="800">
            <Button x:Name="EnableMicrophoneButton" Content="Enable Microphone"  
                    Margin="0,0,10,0" Click="EnableMicrophone_ButtonClicked" 
                    Height="35"/>
            <Button x:Name="ListenButton" Content="Talk to your bot" 
                    Margin="0,10,10,0" Click="ListenButton_ButtonClicked" 
                    Height="35"/>
            <StackPanel x:Name="StatusPanel" Orientation="Vertical" 
                        RelativePanel.AlignBottomWithPanel="True" 
                        RelativePanel.AlignRightWithPanel="True" 
                        RelativePanel.AlignLeftWithPanel="True">
                <TextBlock x:Name="StatusLabel" Margin="0,10,10,0" 
                           TextWrapping="Wrap" Text="Status:" FontSize="20"/>
                <Border x:Name="StatusBorder" Margin="0,0,0,0">
                    <ScrollViewer VerticalScrollMode="Auto"  
                                  VerticalScrollBarVisibility="Auto" MaxHeight="200">
                        <!-- Use LiveSetting to enable screen readers to announce 
                             the status update. -->
                        <TextBlock 
                            x:Name="StatusBlock" FontWeight="Bold" 
                            AutomationProperties.LiveSetting="Assertive"
                            MaxWidth="{Binding ElementName=Splitter, Path=ActualWidth}" 
                            Margin="10,10,10,20" TextWrapping="Wrap"  />
                    </ScrollViewer>
                </Border>
            </StackPanel>
        </StackPanel>
        <MediaElement x:Name="mediaElement"/>
    </Grid>
</Page>

A Tervező nézet frissül az alkalmazás felhasználói felületének megjelenítéséhez.

A Megoldáskezelőben nyissa meg a kód mögötti forrásfájlt MainPage.xaml.cs. (Ez a .) alatt MainPage.xamlvan csoportosítva. Cserélje le a fájl tartalmát az alábbira, amely a következőket tartalmazza:

usingés Speech.Dialog névterekre vonatkozó Speech utasítások
Egyszerű megvalósítás a mikrofonhoz való hozzáférés biztosításához, egy gombkezelőhöz kötve
Alapszintű felhasználói felületi segédek üzenetek és hibák megjelenítéséhez az alkalmazásban
Az inicializálási kód elérési útjának kezdőpontja, amely később lesz feltöltve
Segéd a szövegfelolvasás lejátszásához (streamelés támogatása nélkül)

Egy üres gombkezelő, amely elkezdi figyelni a későbbi feltöltést

using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;
using Microsoft.CognitiveServices.Speech.Dialog;
using System;
using System.Diagnostics;
using System.IO;
using System.Text;
using Windows.Foundation;
using Windows.Storage.Streams;
using Windows.UI.Xaml;
using Windows.UI.Xaml.Controls;
using Windows.UI.Xaml.Media;

namespace helloworld
{
    public sealed partial class MainPage : Page
    {
        private DialogServiceConnector connector;

        private enum NotifyType
        {
            StatusMessage,
            ErrorMessage
        };

        public MainPage()
        {
            this.InitializeComponent();
        }

        private async void EnableMicrophone_ButtonClicked(
            object sender, RoutedEventArgs e)
        {
            bool isMicAvailable = true;
            try
            {
                var mediaCapture = new Windows.Media.Capture.MediaCapture();
                var settings = 
                    new Windows.Media.Capture.MediaCaptureInitializationSettings();
                settings.StreamingCaptureMode = 
                    Windows.Media.Capture.StreamingCaptureMode.Audio;
                await mediaCapture.InitializeAsync(settings);
            }
            catch (Exception)
            {
                isMicAvailable = false;
            }
            if (!isMicAvailable)
            {
                await Windows.System.Launcher.LaunchUriAsync(
                    new Uri("ms-settings:privacy-microphone"));
            }
            else
            {
                NotifyUser("Microphone was enabled", NotifyType.StatusMessage);
            }
        }

        private void NotifyUser(
            string strMessage, NotifyType type = NotifyType.StatusMessage)
        {
            // If called from the UI thread, then update immediately.
            // Otherwise, schedule a task on the UI thread to perform the update.
            if (Dispatcher.HasThreadAccess)
            {
                UpdateStatus(strMessage, type);
            }
            else
            {
                var task = Dispatcher.RunAsync(
                    Windows.UI.Core.CoreDispatcherPriority.Normal, 
                    () => UpdateStatus(strMessage, type));
            }
        }

        private void UpdateStatus(string strMessage, NotifyType type)
        {
            switch (type)
            {
                case NotifyType.StatusMessage:
                    StatusBorder.Background = new SolidColorBrush(
                        Windows.UI.Colors.Green);
                    break;
                case NotifyType.ErrorMessage:
                    StatusBorder.Background = new SolidColorBrush(
                        Windows.UI.Colors.Red);
                    break;
            }
            StatusBlock.Text += string.IsNullOrEmpty(StatusBlock.Text) 
                ? strMessage : "\n" + strMessage;

            if (!string.IsNullOrEmpty(StatusBlock.Text))
            {
                StatusBorder.Visibility = Visibility.Visible;
                StatusPanel.Visibility = Visibility.Visible;
            }
            else
            {
                StatusBorder.Visibility = Visibility.Collapsed;
                StatusPanel.Visibility = Visibility.Collapsed;
            }
            // Raise an event if necessary to enable a screen reader 
            // to announce the status update.
            var peer = Windows.UI.Xaml.Automation.Peers.FrameworkElementAutomationPeer.FromElement(StatusBlock);
            if (peer != null)
            {
                peer.RaiseAutomationEvent(
                    Windows.UI.Xaml.Automation.Peers.AutomationEvents.LiveRegionChanged);
            }
        }

        // Waits for and accumulates all audio associated with a given 
        // PullAudioOutputStream and then plays it to the MediaElement. Long spoken 
        // audio will create extra latency and a streaming playback solution 
        // (that plays audio while it continues to be received) should be used -- 
        // see the samples for examples of this.
        private void SynchronouslyPlayActivityAudio(
            PullAudioOutputStream activityAudio)
        {
            var playbackStreamWithHeader = new MemoryStream();
            playbackStreamWithHeader.Write(Encoding.ASCII.GetBytes("RIFF"), 0, 4); // ChunkID
            playbackStreamWithHeader.Write(BitConverter.GetBytes(UInt32.MaxValue), 0, 4); // ChunkSize: max
            playbackStreamWithHeader.Write(Encoding.ASCII.GetBytes("WAVE"), 0, 4); // Format
            playbackStreamWithHeader.Write(Encoding.ASCII.GetBytes("fmt "), 0, 4); // Subchunk1ID
            playbackStreamWithHeader.Write(BitConverter.GetBytes(16), 0, 4); // Subchunk1Size: PCM
            playbackStreamWithHeader.Write(BitConverter.GetBytes(1), 0, 2); // AudioFormat: PCM
            playbackStreamWithHeader.Write(BitConverter.GetBytes(1), 0, 2); // NumChannels: mono
            playbackStreamWithHeader.Write(BitConverter.GetBytes(16000), 0, 4); // SampleRate: 16kHz
            playbackStreamWithHeader.Write(BitConverter.GetBytes(32000), 0, 4); // ByteRate
            playbackStreamWithHeader.Write(BitConverter.GetBytes(2), 0, 2); // BlockAlign
            playbackStreamWithHeader.Write(BitConverter.GetBytes(16), 0, 2); // BitsPerSample: 16-bit
            playbackStreamWithHeader.Write(Encoding.ASCII.GetBytes("data"), 0, 4); // Subchunk2ID
            playbackStreamWithHeader.Write(BitConverter.GetBytes(UInt32.MaxValue), 0, 4); // Subchunk2Size

            byte[] pullBuffer = new byte[2056];

            uint lastRead = 0;
            do
            {
                lastRead = activityAudio.Read(pullBuffer);
                playbackStreamWithHeader.Write(pullBuffer, 0, (int)lastRead);
            }
            while (lastRead == pullBuffer.Length);

            var task = Dispatcher.RunAsync(
                Windows.UI.Core.CoreDispatcherPriority.Normal, () =>
            {
                mediaElement.SetSource(
                    playbackStreamWithHeader.AsRandomAccessStream(), "audio/wav");
                mediaElement.Play();
            });
        }

        private void InitializeDialogServiceConnector()
        {
            // New code will go here
        }

        private async void ListenButton_ButtonClicked(
            object sender, RoutedEventArgs e)
        {
            // New code will go here
        }
    }
}

Adja hozzá a következő kódrészletet a metódus törzséhez InitializeDialogServiceConnector. Ez a kód létrehozza a DialogServiceConnector kódot az előfizetési adatokkal.
```
// Create a BotFrameworkConfig by providing a Speech service subscription key
// the botConfig.Language property is optional (default en-US)
const string speechSubscriptionKey = "YourSpeechSubscriptionKey"; // Your subscription key
const string region = "YourServiceRegion"; // Your subscription service region.

var botConfig = BotFrameworkConfig.FromSubscription(speechSubscriptionKey, region);
botConfig.Language = "en-US";
connector = new DialogServiceConnector(botConfig);
```
Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.

Megjegyzés

A robot konfigurálásával kapcsolatos információkért tekintse meg a Direct Line Speech-csatorna Bot Framework-dokumentációját.
Cserélje le a sztringeket YourSpeechSubscriptionKey és YourServiceRegion a saját értékeit a beszéd-előfizetéshez és a régióhoz.

Fűzze hozzá a következő kódrészletet a metódus törzsének végéhez InitializeDialogServiceConnector. Ez a kód beállítja a kezelőket a robottevékenységek, a beszédfelismerési eredmények és egyéb információk közlésére támaszkodó DialogServiceConnector eseményekhez.

// ActivityReceived is the main way your bot will communicate with the client 
// and uses bot framework activities
connector.ActivityReceived += (sender, activityReceivedEventArgs) =>
{
    NotifyUser(
        $"Activity received, hasAudio={activityReceivedEventArgs.HasAudio} activity={activityReceivedEventArgs.Activity}");

    if (activityReceivedEventArgs.HasAudio)
    {
        SynchronouslyPlayActivityAudio(activityReceivedEventArgs.Audio);
    }
};

// Canceled will be signaled when a turn is aborted or experiences an error condition
connector.Canceled += (sender, canceledEventArgs) =>
{
    NotifyUser($"Canceled, reason={canceledEventArgs.Reason}");
    if (canceledEventArgs.Reason == CancellationReason.Error)
    {
        NotifyUser(
            $"Error: code={canceledEventArgs.ErrorCode}, details={canceledEventArgs.ErrorDetails}");
    }
};

// Recognizing (not 'Recognized') will provide the intermediate recognized text 
// while an audio stream is being processed
connector.Recognizing += (sender, recognitionEventArgs) =>
{
    NotifyUser($"Recognizing! in-progress text={recognitionEventArgs.Result.Text}");
};

// Recognized (not 'Recognizing') will provide the final recognized text 
// once audio capture is completed
connector.Recognized += (sender, recognitionEventArgs) =>
{
    NotifyUser($"Final speech to text result: '{recognitionEventArgs.Result.Text}'");
};

// SessionStarted will notify when audio begins flowing to the service for a turn
connector.SessionStarted += (sender, sessionEventArgs) =>
{
    NotifyUser($"Now Listening! Session started, id={sessionEventArgs.SessionId}");
};

// SessionStopped will notify when a turn is complete and 
// it's safe to begin listening again
connector.SessionStopped += (sender, sessionEventArgs) =>
{
    NotifyUser($"Listening complete. Session ended, id={sessionEventArgs.SessionId}");
};

Adja hozzá a következő kódrészletet a ListenButton_ButtonClicked metódus törzséhez a MainPage osztályban. Ez a kód a figyelésre van beállítva DialogServiceConnector , mivel már létrehozta a konfigurációt, és regisztrálta az eseménykezelőket.

if (connector == null)
{
    InitializeDialogServiceConnector();
    // Optional step to speed up first interaction: if not called, 
    // connection happens automatically on first use
    var connectTask = connector.ConnectAsync();
}

try
{
    // Start sending audio to your speech-enabled bot
    var listenTask = connector.ListenOnceAsync();

    // You can also send activities to your bot as JSON strings -- 
    // Microsoft.Bot.Schema can simplify this
    string speakActivity = 
        @"{""type"":""message"",""text"":""Greeting Message"", ""speak"":""Hello there!""}";
    await connector.SendActivityAsync(speakActivity);

}
catch (Exception ex)
{
    NotifyUser($"Exception: {ex.ToString()}", NotifyType.ErrorMessage);
}

Alkalmazások buildelése és futtatása

Most már készen áll az alkalmazás összeállítására és az egyéni hang segéd tesztelésére a Speech szolgáltatással.

A menüsávon válassza aBuild Solution (Megoldás összeállítása>) lehetőséget az alkalmazás létrehozásához. A kód fordításának hiba nélkül végbe kell mennie.
Az alkalmazás elindításához válassza a Hibakeresés>indítása hibakeresése lehetőséget (vagy nyomja le az F5 billentyűt). Megjelenik a helloworld ablak.
Válassza a Mikrofon engedélyezése lehetőséget, és amikor megjelenik a hozzáférési engedélykérés, válassza az Igen lehetőséget.
Válassza a Csevegőrobottal lehetőséget, és beszéljen egy angol kifejezést vagy mondatot az eszköz mikrofonjába. A beszédet a rendszer a Direct Line Speech csatornára továbbítja, és az ablakban megjelenő szövegre írja át.

Következő lépések

C#-minták felfedezése a GitHubon

Az összes Speech SDK Java-mintát megtekintheti vagy letöltheti a GitHubon.

A célkörnyezet kiválasztása

Java-futtatókörnyezet
Android

Előfeltételek

Az első lépések előtt győződjön meg arról, hogy:

Speech-erőforrás létrehozása
A fejlesztési környezet beállítása és egy üres projekt létrehozása
A Direct Line Speech-csatornához csatlakoztatott robot létrehozása
Győződjön meg arról, hogy rendelkezik hozzáféréssel egy mikrofonhoz a hangrögzítéshez

Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.

Projekt létrehozása és konfigurálása

Hozzon létre egy Eclipse-projektet, és telepítse a Speech SDK-t.

Emellett a naplózás engedélyezéséhez frissítse a pom.xml fájlt, hogy tartalmazza a következő függőséget:

 <dependency>
     <groupId>org.slf4j</groupId>
     <artifactId>slf4j-simple</artifactId>
     <version>1.7.5</version>
 </dependency>

Mintakód hozzáadása

Ha új üres osztályt szeretne hozzáadni a Java-projekthez, válassza azÚj>osztályfájlja> lehetőséget.
Az Új Java-osztály ablakban írja be a speechsdk.quickstart kifejezést a Csomag mezőbe, a Main kifejezést pedig a Név mezőbe.

Nyissa meg az újonnan létrehozott Main osztályt, és cserélje le a Main.java fájl tartalmát a következő kezdőkódra:

package speechsdk.quickstart;

import com.microsoft.cognitiveservices.speech.audio.AudioConfig;
import com.microsoft.cognitiveservices.speech.audio.PullAudioOutputStream;
import com.microsoft.cognitiveservices.speech.dialog.BotFrameworkConfig;
import com.microsoft.cognitiveservices.speech.dialog.DialogServiceConnector;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import javax.sound.sampled.AudioFormat;
import javax.sound.sampled.AudioSystem;
import javax.sound.sampled.DataLine;
import javax.sound.sampled.SourceDataLine;
import java.io.InputStream;

public class Main {
    final Logger log = LoggerFactory.getLogger(Main.class);

    public static void main(String[] args) {
        // New code will go here
    }

    private void playAudioStream(PullAudioOutputStream audio) {
        ActivityAudioStream stream = new ActivityAudioStream(audio);
        final ActivityAudioStream.ActivityAudioFormat audioFormat = stream.getActivityAudioFormat();
        final AudioFormat format = new AudioFormat(
                AudioFormat.Encoding.PCM_SIGNED,
                audioFormat.getSamplesPerSecond(),
                audioFormat.getBitsPerSample(),
                audioFormat.getChannels(),
                audioFormat.getFrameSize(),
                audioFormat.getSamplesPerSecond(),
                false);
        try {
            int bufferSize = format.getFrameSize();
            final byte[] data = new byte[bufferSize];

            SourceDataLine.Info info = new DataLine.Info(SourceDataLine.class, format);
            SourceDataLine line = (SourceDataLine) AudioSystem.getLine(info);
            line.open(format);

            if (line != null) {
                line.start();
                int nBytesRead = 0;
                while (nBytesRead != -1) {
                    nBytesRead = stream.read(data);
                    if (nBytesRead != -1) {
                        line.write(data, 0, nBytesRead);
                    }
                }
                line.drain();
                line.stop();
                line.close();
            }
            stream.close();

        } catch (Exception e) {
            e.printStackTrace();
        }
    }

}

A metódusban main először konfigurálja és DialogServiceConfig használja a példány létrehozásához DialogServiceConnector . Ez a példány a Direct Line Speech-csatornához csatlakozik a robottal való interakcióhoz. A AudioConfig rendszer egy példányt is használ a hangbemenet forrásának megadására. Ebben a példában a rendszer az alapértelmezett mikrofont használja a következővel AudioConfig.fromDefaultMicrophoneInput(): .
- Cserélje le a sztringet YourSubscriptionKey a Speech erőforráskulcsára, amelyet a Azure Portal kérhet le.
- Cserélje le a sztringet YourServiceRegion a Speech-erőforráshoz társított régióra .
Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.
```
final String subscriptionKey = "YourSubscriptionKey"; // Your subscription key
final String region = "YourServiceRegion"; // Your speech subscription service region
final BotFrameworkConfig botConfig = BotFrameworkConfig.fromSubscription(subscriptionKey, region);

// Configure audio input from a microphone.
final AudioConfig audioConfig = AudioConfig.fromDefaultMicrophoneInput();

// Create a DialogServiceConnector instance.
final DialogServiceConnector connector = new DialogServiceConnector(botConfig, audioConfig);
```

Az összekötő DialogServiceConnector számos eseményre támaszkodik a robottevékenységek, a beszédfelismerési eredmények és egyéb információk közléséhez. Ezután adja hozzá ezeket az eseményfigyelőket.

// Recognizing will provide the intermediate recognized text while an audio stream is being processed.
connector.recognizing.addEventListener((o, speechRecognitionResultEventArgs) -> {
    log.info("Recognizing speech event text: {}", speechRecognitionResultEventArgs.getResult().getText());
});

// Recognized will provide the final recognized text once audio capture is completed.
connector.recognized.addEventListener((o, speechRecognitionResultEventArgs) -> {
    log.info("Recognized speech event reason text: {}", speechRecognitionResultEventArgs.getResult().getText());
});

// SessionStarted will notify when audio begins flowing to the service for a turn.
connector.sessionStarted.addEventListener((o, sessionEventArgs) -> {
    log.info("Session Started event id: {} ", sessionEventArgs.getSessionId());
});

// SessionStopped will notify when a turn is complete and it's safe to begin listening again.
connector.sessionStopped.addEventListener((o, sessionEventArgs) -> {
    log.info("Session stopped event id: {}", sessionEventArgs.getSessionId());
});

// Canceled will be signaled when a turn is aborted or experiences an error condition.
connector.canceled.addEventListener((o, canceledEventArgs) -> {
    log.info("Canceled event details: {}", canceledEventArgs.getErrorDetails());
    connector.disconnectAsync();
});

// ActivityReceived is the main way your bot will communicate with the client and uses Bot Framework activities.
connector.activityReceived.addEventListener((o, activityEventArgs) -> {
    final String act = activityEventArgs.getActivity().serialize();
        log.info("Received activity {} audio", activityEventArgs.hasAudio() ? "with" : "without");
        if (activityEventArgs.hasAudio()) {
            playAudioStream(activityEventArgs.getAudio());
        }
    });

Csatlakozzon DialogServiceConnector Direct Line Speechhez a connectAsync() metódus meghívásával. A robot teszteléséhez meghívhatja a metódust, listenOnceAsync a hangbemenet a mikrofonból való elküldéséhez. Emellett a sendActivityAsync metódussal egyéni tevékenységet is küldhet szerializált sztringként. Ezek az egyéni tevékenységek további adatokat biztosíthatnak, amelyeket a robot használ a beszélgetésben.
```
connector.connectAsync();
// Start listening.
System.out.println("Say something ...");
connector.listenOnceAsync();

// connector.sendActivityAsync(...)
```
Mentse a fájl módosításait Main .
A válaszlejátszás támogatásához adjon hozzá egy további osztályt, amely átalakítja a getAudio() API-ból visszaadott PullAudioOutputStream objektumot egy Java InputStreambe a könnyű kezelés érdekében. Ez ActivityAudioStream egy speciális osztály, amely a Direct Line Speech-csatorna hangválaszát kezeli. Tartozékokat biztosít a lejátszás kezeléséhez szükséges hangformátum-információk lekéréséhez. Ehhez válassza azÚj>osztályfájlja> lehetőséget.
Az Új Java-osztály ablakban írja be a speechsdk.quickstart kifejezést a Csomag mezőbe, az ActivityAudioStream kifejezést pedig a Név mezőbe.

Nyissa meg az újonnan létrehozott ActivityAudioStream osztályt, és cserélje le a következő kódra:

package com.speechsdk.quickstart;

import com.microsoft.cognitiveservices.speech.audio.PullAudioOutputStream;

import java.io.IOException;
import java.io.InputStream;

 public final class ActivityAudioStream extends InputStream {
     /**
      * The number of samples played per second (16 kHz).
      */
     public static final long SAMPLE_RATE = 16000;
     /**
      * The number of bits in each sample of a sound that has this format (16 bits).
      */
     public static final int BITS_PER_SECOND = 16;
     /**
      * The number of audio channels in this format (1 for mono).
      */
     public static final int CHANNELS = 1;
     /**
      * The number of bytes in each frame of a sound that has this format (2).
      */
     public static final int FRAME_SIZE = 2;

     /**
      * Reads up to a specified maximum number of bytes of data from the audio
      * stream, putting them into the given byte array.
      *
      * @param b   the buffer into which the data is read
      * @param off the offset, from the beginning of array <code>b</code>, at which
      *            the data will be written
      * @param len the maximum number of bytes to read
      * @return the total number of bytes read into the buffer, or -1 if there
      * is no more data because the end of the stream has been reached
      */
     @Override
     public int read(byte[] b, int off, int len) {
         byte[] tempBuffer = new byte[len];
         int n = (int) this.pullStreamImpl.read(tempBuffer);
         for (int i = 0; i < n; i++) {
             if (off + i > b.length) {
                 throw new ArrayIndexOutOfBoundsException(b.length);
             }
             b[off + i] = tempBuffer[i];
         }
         if (n == 0) {
             return -1;
         }
         return n;
     }

     /**
      * Reads the next byte of data from the activity audio stream if available.
      *
      * @return the next byte of data, or -1 if the end of the stream is reached
      * @see #read(byte[], int, int)
      * @see #read(byte[])
      * @see #available
      * <p>
      */
     @Override
     public int read() {
         byte[] data = new byte[1];
         int temp = read(data);
         if (temp <= 0) {
             // we have a weird situation if read(byte[]) returns 0!
             return -1;
         }
         return data[0] & 0xFF;
     }

     /**
      * Reads up to a specified maximum number of bytes of data from the activity audio stream,
      * putting them into the given byte array.
      *
      * @param b the buffer into which the data is read
      * @return the total number of bytes read into the buffer, or -1 if there
      * is no more data because the end of the stream has been reached
      */
     @Override
     public int read(byte[] b) {
         int n = (int) pullStreamImpl.read(b);
         if (n == 0) {
             return -1;
         }
         return n;
     }

     /**
      * Skips over and discards a specified number of bytes from this
      * audio input stream.
      *
      * @param n the requested number of bytes to be skipped
      * @return the actual number of bytes skipped
      * @throws IOException if an input or output error occurs
      * @see #read
      * @see #available
      */
     @Override
     public long skip(long n) {
         if (n <= 0) {
             return 0;
         }
         if (n <= Integer.MAX_VALUE) {
             byte[] tempBuffer = new byte[(int) n];
             return read(tempBuffer);
         }
         long count = 0;
         for (long i = n; i > 0; i -= Integer.MAX_VALUE) {
             int size = (int) Math.min(Integer.MAX_VALUE, i);
             byte[] tempBuffer = new byte[size];
             count += read(tempBuffer);
         }
         return count;
     }

     /**
      * Closes this audio input stream and releases any system resources associated
      * with the stream.
      */
     @Override
     public void close() {
         this.pullStreamImpl.close();
     }

     /**
      * Fetch the audio format for the ActivityAudioStream. The ActivityAudioFormat defines the sample rate, bits per sample, and the # channels.
      *
      * @return instance of the ActivityAudioFormat associated with the stream
      */
     public ActivityAudioStream.ActivityAudioFormat getActivityAudioFormat() {
         return activityAudioFormat;
     }

     /**
      * Returns the maximum number of bytes that can be read (or skipped over) from this
      * audio input stream without blocking.
      *
      * @return the number of bytes that can be read from this audio input stream without blocking.
      * As this implementation does not buffer, this will be defaulted to 0
      */
     @Override
     public int available() {
         return 0;
     }

     public ActivityAudioStream(final PullAudioOutputStream stream) {
         pullStreamImpl = stream;
         this.activityAudioFormat = new ActivityAudioStream.ActivityAudioFormat(SAMPLE_RATE, BITS_PER_SECOND, CHANNELS, FRAME_SIZE, AudioEncoding.PCM_SIGNED);
     }

     private PullAudioOutputStream pullStreamImpl;

     private ActivityAudioFormat activityAudioFormat;

     /**
      * ActivityAudioFormat is an internal format which contains metadata regarding the type of arrangement of
      * audio bits in this activity audio stream.
      */
     static class ActivityAudioFormat {

         private long samplesPerSecond;
         private int bitsPerSample;
         private int channels;
         private int frameSize;
         private AudioEncoding encoding;

         public ActivityAudioFormat(long samplesPerSecond, int bitsPerSample, int channels, int frameSize, AudioEncoding encoding) {
             this.samplesPerSecond = samplesPerSecond;
             this.bitsPerSample = bitsPerSample;
             this.channels = channels;
             this.encoding = encoding;
             this.frameSize = frameSize;
         }

         /**
          * Fetch the number of samples played per second for the associated audio stream format.
          *
          * @return the number of samples played per second
          */
         public long getSamplesPerSecond() {
             return samplesPerSecond;
         }

         /**
          * Fetch the number of bits in each sample of a sound that has this audio stream format.
          *
          * @return the number of bits per sample
          */
         public int getBitsPerSample() {
             return bitsPerSample;
         }

         /**
          * Fetch the number of audio channels used by this audio stream format.
          *
          * @return the number of channels
          */
         public int getChannels() {
             return channels;
         }

         /**
          * Fetch the default number of bytes in a frame required by this audio stream format.
          *
          * @return the number of bytes
          */
         public int getFrameSize() {
             return frameSize;
         }

         /**
          * Fetch the audio encoding type associated with this audio stream format.
          *
          * @return the encoding associated
          */
         public AudioEncoding getEncoding() {
             return encoding;
         }
     }

     /**
      * Enum defining the types of audio encoding supported by this stream.
      */
     public enum AudioEncoding {
         PCM_SIGNED("PCM_SIGNED");

         String value;

         AudioEncoding(String value) {
             this.value = value;
         }
     }
 }

Mentse a fájl módosításait ActivityAudioStream .

Készítsen buildet és futtassa az alkalmazást

Válassza az F11 lehetőséget, vagy válassza aHibakeresésfuttatása> lehetőséget. A konzolon megjelenik a "Mondj valamit" üzenet. Ezen a ponton beszéljen egy angol kifejezést vagy mondatot, amelyet a robot megérthet. A beszédet a robot a Direct Line Speech csatornán keresztül továbbítja, ahol a robot felismeri és feldolgozta. A rendszer tevékenységként adja vissza a választ. Ha a robot válaszként ad vissza beszédet, a hang lejátszása az AudioPlayer osztály használatával történik.

Képernyőkép a konzolról a sikeres felismerést követően

Következő lépések

Java-minták felfedezése a GitHubon

Előfeltételek

Az első lépések előtt győződjön meg arról, hogy:

Speech-erőforrás létrehozása
A fejlesztési környezet beállítása és egy üres projekt létrehozása
A Direct Line Speech-csatornához csatlakoztatott robot létrehozása
Győződjön meg arról, hogy rendelkezik hozzáféréssel egy mikrofonhoz a hangrögzítéshez

Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.

Projekt létrehozása és konfigurálása

Telepítse a Speech SDK-t az Android Studio használatával.

A felhasználói felület létrehozása

Ebben a szakaszban létrehozunk egy alapszintű felhasználói felületet (UI) az alkalmazáshoz. Kezdjük a fő tevékenység megnyitásával: activity_main.xml. Az alapsablon tartalmaz egy címsort az alkalmazás nevével, valamint egy TextView "Hello world!" üzenettel.

Ezután cserélje le a tartalmát activity_main.xml a következő kódra:

<?xml version="1.0" encoding="utf-8"?>
<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
 xmlns:tools="http://schemas.android.com/tools"
 android:layout_width="match_parent"
 android:layout_height="match_parent"
 android:orientation="vertical"
 tools:context=".MainActivity">

 <Button
     android:id="@+id/button"
     android:layout_width="wrap_content"
     android:layout_height="wrap_content"
     android:layout_gravity="center"
     android:onClick="onBotButtonClicked"
     android:text="Talk to your bot" />

 <TextView
     android:layout_width="match_parent"
     android:layout_height="wrap_content"
     android:text="Recognition Data"
     android:textSize="18dp"
     android:textStyle="bold" />

 <TextView
     android:id="@+id/recoText"
     android:layout_width="match_parent"
     android:layout_height="wrap_content"
     android:text="  \n(Recognition goes here)\n" />

 <TextView
     android:layout_width="match_parent"
     android:layout_height="wrap_content"
     android:text="Activity Data"
     android:textSize="18dp"
     android:textStyle="bold" />

 <TextView
     android:id="@+id/activityText"
     android:layout_width="match_parent"
     android:layout_height="match_parent"
     android:scrollbars="vertical"
     android:text="  \n(Activities go here)\n" />

</LinearLayout>

Ez az XML egy egyszerű felhasználói felületet határoz meg a robottal való interakcióhoz.

Az button elem interakciót kezdeményez, és kattintáskor meghívja a onBotButtonClicked metódust.
Az recoText elem a robottal való beszélgetés során megjeleníti a beszédfelismerés eredményeit.
Az activityText elem megjeleníti a robot legújabb Bot Framework-tevékenységének JSON-hasznos adatait.

A felhasználói felület szövegének és grafikus ábrázolásának így kell kinéznie:

Képernyőkép arról, hogyan kell kinéznie a Csevegőrobot felhasználói felületének.

Mintakód hozzáadása

Nyissa meg MainActivity.javaa fájlt, és cserélje le a tartalmát a következő kódra:

 package samples.speech.cognitiveservices.microsoft.com;

 import android.media.AudioFormat;
 import android.media.AudioManager;
 import android.media.AudioTrack;
 import android.support.v4.app.ActivityCompat;
 import android.support.v7.app.AppCompatActivity;
 import android.os.Bundle;
 import android.text.method.ScrollingMovementMethod;
 import android.view.View;
 import android.widget.TextView;

 import com.microsoft.cognitiveservices.speech.audio.AudioConfig;
 import com.microsoft.cognitiveservices.speech.audio.PullAudioOutputStream;
 import com.microsoft.cognitiveservices.speech.dialog.BotFrameworkConfig;
 import com.microsoft.cognitiveservices.speech.dialog.DialogServiceConnector;

 import org.json.JSONException;
 import org.json.JSONObject;

 import static android.Manifest.permission.*;

 public class MainActivity extends AppCompatActivity {
     // Replace below with your own speech subscription key
     private static String speechSubscriptionKey = "YourSpeechSubscriptionKey";
     // Replace below with your own speech service region
     private static String serviceRegion = "YourSpeechServiceRegion";

     private DialogServiceConnector connector;

     @Override
     protected void onCreate(Bundle savedInstanceState) {
         super.onCreate(savedInstanceState);
         setContentView(R.layout.activity_main);

         TextView recoText = (TextView) this.findViewById(R.id.recoText);
         TextView activityText = (TextView) this.findViewById(R.id.activityText);
         recoText.setMovementMethod(new ScrollingMovementMethod());
         activityText.setMovementMethod(new ScrollingMovementMethod());

         // Note: we need to request permissions for audio input and network access
         int requestCode = 5; // unique code for the permission request
         ActivityCompat.requestPermissions(MainActivity.this, new String[]{RECORD_AUDIO, INTERNET}, requestCode);
     }

     public void onBotButtonClicked(View v) {
         // Recreate the DialogServiceConnector on each button press, ensuring that the existing one is closed
         if (connector != null) {
             connector.close();
             connector = null;
         }

         // Create the DialogServiceConnector from speech subscription information
         BotFrameworkConfig config = BotFrameworkConfig.fromSubscription(speechSubscriptionKey, serviceRegion);
         connector = new DialogServiceConnector(config, AudioConfig.fromDefaultMicrophoneInput());

         // Optional step: preemptively connect to reduce first interaction latency
         connector.connectAsync();

         // Register the DialogServiceConnector's event listeners
         registerEventListeners();

         // Begin sending audio to your bot
         connector.listenOnceAsync();
     }

     private void registerEventListeners() {
         TextView recoText = (TextView) this.findViewById(R.id.recoText); // 'recoText' is the ID of your text view
         TextView activityText = (TextView) this.findViewById(R.id.activityText); // 'activityText' is the ID of your text view

         // Recognizing will provide the intermediate recognized text while an audio stream is being processed
         connector.recognizing.addEventListener((o, recoArgs) -> {
             recoText.setText("  Recognizing: " + recoArgs.getResult().getText());
         });

         // Recognized will provide the final recognized text once audio capture is completed
         connector.recognized.addEventListener((o, recoArgs) -> {
             recoText.setText("  Recognized: " + recoArgs.getResult().getText());
         });

         // SessionStarted will notify when audio begins flowing to the service for a turn
         connector.sessionStarted.addEventListener((o, sessionArgs) -> {
             recoText.setText("Listening...");
         });

         // SessionStopped will notify when a turn is complete and it's safe to begin listening again
         connector.sessionStopped.addEventListener((o, sessionArgs) -> {
         });

         // Canceled will be signaled when a turn is aborted or experiences an error condition
         connector.canceled.addEventListener((o, canceledArgs) -> {
             recoText.setText("Canceled (" + canceledArgs.getReason().toString() + ") error details: {}" + canceledArgs.getErrorDetails());
             connector.disconnectAsync();
         });

         // ActivityReceived is the main way your bot will communicate with the client and uses bot framework activities.
         connector.activityReceived.addEventListener((o, activityArgs) -> {
             try {
                 // Here we use JSONObject only to "pretty print" the condensed Activity JSON
                 String rawActivity = activityArgs.getActivity().serialize();
                 String formattedActivity = new JSONObject(rawActivity).toString(2);
                 activityText.setText(formattedActivity);
             } catch (JSONException e) {
                 activityText.setText("Couldn't format activity text: " + e.getMessage());
             }

             if (activityArgs.hasAudio()) {
                 // Text to speech audio associated with the activity is 16 kHz 16-bit mono PCM data
                 final int sampleRate = 16000;
                 int bufferSize = AudioTrack.getMinBufferSize(sampleRate, AudioFormat.CHANNEL_OUT_MONO, AudioFormat.ENCODING_PCM_16BIT);

                 AudioTrack track = new AudioTrack(
                         AudioManager.STREAM_MUSIC,
                         sampleRate,
                         AudioFormat.CHANNEL_OUT_MONO,
                         AudioFormat.ENCODING_PCM_16BIT,
                         bufferSize,
                         AudioTrack.MODE_STREAM);

                 track.play();

                 PullAudioOutputStream stream = activityArgs.getAudio();

                 // Audio is streamed as it becomes available. Play it as it arrives.
                 byte[] buffer = new byte[bufferSize];
                 long bytesRead = 0;

                 do {
                     bytesRead = stream.read(buffer);
                     track.write(buffer, 0, (int) bytesRead);
                 } while (bytesRead == bufferSize);

                 track.release();
             }
         });
     }
 }

A onCreate metódus olyan kódot tartalmaz, amely mikrofont és internetes engedélyeket kér.
Ahogy korábban már említettük, az onBotButtonClicked metódus kezeli azt, ha a gombra kattintanak. A gombnyomás egyetlen interakciót ("turn") vált ki a robottal.
A registerEventListeners metódus bemutatja a bejövő tevékenységek alapvető kezelése által DialogServiceConnector használt eseményeket.

Ugyanabban a fájlban cserélje le a konfigurációs sztringeket az erőforrásoknak megfelelőre:
- A YourSpeechSubscriptionKey helyére írja be az előfizetési kulcsot.
- Cserélje le a elemet YourServiceRegion az előfizetéséhez társított régióra Csak a Speech-szolgáltatási régiók egy részhalmaza támogatott a Direct Line Speechben. További információkért lásd a régiókat.

Készítsen buildet és futtassa az alkalmazást

Csatlakoztassa az Android-eszközt a fejlesztői számítógéphez. Győződjön meg róla, hogy engedélyezte a fejlesztői módot és az USB-hibakeresést az eszközön.
Az alkalmazás létrehozásához nyomja le a Ctrl+F9 billentyűkombinációt, vagy a menüsávon válassza aBuild Make Project (Projekt készítése>) lehetőséget.
Az alkalmazás elindításához nyomja le a Shift+F10 billentyűkombinációt, vagy válassza azAlkalmazás futtatásaparancsot>.
A megjelenő, az üzembehelyezési cél megadására szolgáló ablakban válassza ki az Android-eszközt.

Az alkalmazás és a tevékenység elindítása után kattintson a gombra a robottal való beszélgetés megkezdéséhez. Az átírt szöveg beszéd közben jelenik meg, és a robottól kapott legutóbbi tevékenység jelenik meg a fogadáskor. Ha a robot úgy van konfigurálva, hogy kimondott válaszokat adjon, a beszédfelismerés automatikusan lejátssza a szöveget.

Az Android-alkalmazás képernyőképe

Következő lépések

Java-minták felfedezése a GitHubon

Az összes Speech SDK Go-mintát megtekintheti vagy letöltheti a GitHubon.

Előfeltételek

A kezdés előtt:

Speech-erőforrás létrehozása
A fejlesztési környezet beállítása és egy üres projekt létrehozása
A Direct Line Speech-csatornához csatlakoztatott robot létrehozása
Győződjön meg arról, hogy rendelkezik hozzáféréssel egy mikrofonhoz a hangrögzítéshez

Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.

A környezet beállítása

A go.mod fájl frissítése a legújabb SDK-verzióval a sor hozzáadásával

require (
    github.com/Microsoft/cognitive-services-speech-sdk-go v1.15.0
)

Kezdje egy sablonkóddal

Cserélje le a forrásfájl tartalmát (például quickstart.go) az alábbira, amely a következőket tartalmazza:

"main" csomagdefiníció
a szükséges modulok importálása a Speech SDK-ból
változók a robot információinak tárolására, amelyeket a rövid útmutató későbbi részében lecserélünk
egy egyszerű implementáció a mikrofonnal a hangbemenethez
beszédművelet során lezajlott különböző események eseménykezelői

package main

import (
    "fmt"
    "time"

    "github.com/Microsoft/cognitive-services-speech-sdk-go/audio"
    "github.com/Microsoft/cognitive-services-speech-sdk-go/dialog"
    "github.com/Microsoft/cognitive-services-speech-sdk-go/speech"
)

func main() {
    subscription :=  "YOUR_SUBSCRIPTION_KEY"
    region := "YOUR_BOT_REGION"

    audioConfig, err := audio.NewAudioConfigFromDefaultMicrophoneInput()
    if err != nil {
        fmt.Println("Got an error: ", err)
        return
    }
    defer audioConfig.Close()
    config, err := dialog.NewBotFrameworkConfigFromSubscription(subscription, region)
    if err != nil {
        fmt.Println("Got an error: ", err)
        return
    }
    defer config.Close()
    connector, err := dialog.NewDialogServiceConnectorFromConfig(config, audioConfig)
    if err != nil {
        fmt.Println("Got an error: ", err)
        return
    }
    defer connector.Close()
    activityReceivedHandler := func(event dialog.ActivityReceivedEventArgs) {
        defer event.Close()
        fmt.Println("Received an activity.")
    }
    connector.ActivityReceived(activityReceivedHandler)
    recognizedHandle := func(event speech.SpeechRecognitionEventArgs) {
        defer event.Close()
        fmt.Println("Recognized ", event.Result.Text)
    }
    connector.Recognized(recognizedHandle)
    recognizingHandler := func(event speech.SpeechRecognitionEventArgs) {
        defer event.Close()
        fmt.Println("Recognizing ", event.Result.Text)
    }
    connector.Recognizing(recognizingHandler)
    connector.ListenOnceAsync()
    <-time.After(10 * time.Second)
}

Cserélje le a és YOUR_BOT_REGION az YOUR_SUBSCRIPTION_KEY értéket a Speech-erőforrásból származó tényleges értékekre.

Lépjen a Azure Portal, és nyissa meg a Speech-erőforrást
A bal oldali Kulcsok és végpont területen két elérhető előfizetési kulcs található
- Bármelyiket használja értékhelyettesítőként YOUR_SUBSCRIPTION_KEY
A bal oldali Áttekintés területen jegyezze fel a régiót, és képezze le a régióazonosítóra
- Használja a régióazonosítót értékhelyettesítőkéntYOUR_BOT_REGION, például: "westus" az USA nyugati régiója esetében
Megjegyzés

Tekintse meg a hangsegédek támogatott régióinak listáját , és győződjön meg arról, hogy az erőforrások az adott régiókban vannak üzembe helyezve.

Megjegyzés

A robot konfigurálásával kapcsolatos információkért tekintse meg a Direct Line Speech-csatorna Bot Framework-dokumentációját.

Kód magyarázata

Beszédkonfigurációs objektum létrehozásához a Speech előfizetési kulcsa és régiója szükséges. A konfigurációs objektumra egy beszédfelismerő objektum példányosításához van szükség.

A felismerő példány több módszert is elérhetővé tesz a beszéd felismerésére. Ebben a példában a beszédet folyamatosan felismerjük. Ez a funkció tudatja a Speech szolgáltatással, hogy számos kifejezést küld a felismeréshez, és amikor a program leáll, hogy leálljon a beszéd felismerése. Az eredmények eredményének megfelelően a kód megírja őket a konzolra.

Buildelés és futtatás

Most már úgy van beállítva, hogy elkészítse a projektet, és tesztelje az egyéni hang segéd a Speech szolgáltatással.

A projekt felépítése, például "go build"
Futtassa a modult, és beszéljen egy kifejezést vagy mondatot az eszköz mikrofonjába. A beszédet a rendszer a Direct Line Speech csatornára továbbítja, és átíratja a szöveget, amely kimenetként jelenik meg.

Megjegyzés

A Speech SDK alapértelmezés szerint az en-us nyelv használatával ismeri fel a nyelvet. A forrásnyelv kiválasztásával kapcsolatos információkért lásd: Beszéd felismerése .

Következő lépések

Go-minták felfedezése a GitHubon

További nyelvi és platformtámogatás

Ha erre a lapra kattintott, valószínűleg nem látott gyorsútmutatót a kedvenc programozási nyelvében. Ne aggódjon, további gyorsútmutató anyagok és kódminták érhetők el a GitHubon. A táblázat segítségével megtalálhatja a programozási nyelv és a platform/operációs rendszer kombinációjának megfelelő mintát.

Nyelv	Kódminták
C#	.NET-keretrendszer, .NET Core, UWP, Unity, Xamarin
C++	Windows, Linux, macOS
Java	Android, JRE
JavaScript	Böngésző, Node.js
Objective-C	iOS, macOS
Python	Windows, Linux, macOS
Swift	iOS, macOS

Share via

Rövid útmutató: Egyéni hang segéd létrehozása

Előfeltételek

A projekt megnyitása a Visual Studióban

Kezdje egy sablonkóddal

Alkalmazások buildelése és futtatása

Következő lépések

Előfeltételek

Projekt létrehozása és konfigurálása

Mintakód hozzáadása

Készítsen buildet és futtassa az alkalmazást

Következő lépések

Előfeltételek

Projekt létrehozása és konfigurálása

A felhasználói felület létrehozása

Mintakód hozzáadása

Készítsen buildet és futtassa az alkalmazást

Következő lépések

Előfeltételek

A környezet beállítása

Kezdje egy sablonkóddal

Kód magyarázata

Buildelés és futtatás

Következő lépések

További nyelvi és platformtámogatás

További források