Menggunakan Azure AI Speech to Text API

  • 5 menit

Layanan Azure AI Speech mendukung pengenalan ucapan melalui fitur-fitur berikut:

  • Transkripsi real time: Transkripsi instan dengan hasil perantara untuk input audio langsung.
  • Transkripsi cepat: Output sinkron tercepat untuk situasi dengan latensi yang dapat diprediksi.
  • Transkripsi batch: Pemrosesan efisien untuk volume besar audio yang telah direkam sebelumnya.
  • Ucapan kustom: Model dengan akurasi yang ditingkatkan untuk domain dan kondisi tertentu.

Menggunakan Azure AI Speech SDK

Meskipun detail spesifik bervariasi, tergantung pada SDK yang digunakan (Python, C#, dan sebagainya); ada pola yang konsisten untuk menggunakan API Ucapan ke teks :

Diagram yang menunjukkan bagaimana objek SpeechRecognizer dibuat dari SpeechConfig dan AudioConfig, dan metode RecognizeOnceAsync-nya digunakan untuk memanggil Speech API.

  1. Gunakan objek SpeechConfig untuk merangkum informasi yang diperlukan untuk menyambungkan ke sumber daya Azure AI Speech Anda. Secara khusus, lokasi dan kuncinya.
  2. Secara opsional, gunakan AudioConfig untuk menentukan sumber input agar audio dapat ditranskripsikan. Secara default, ini adalah mikrofon sistem default, tetapi Anda juga dapat menentukan file audio.
  3. Gunakan SpeechConfig dan AudioConfig untuk membuat objek SpeechRecognizer . Objek ini adalah klien proksi untuk API Ucapan ke teks .
  4. Gunakan metode objek SpeechRecognizer untuk memanggil fungsi API yang mendasar. Misalnya, metode RecognizeOnceAsync() menggunakan layanan Azure AI Speech untuk mentranskripsikan satu ucapan lisan secara asinkron.
  5. Proses respons dari layanan Azure AI Speech. Dalam kasus metode RecognizeOnceAsync(), hasilnya adalah objek SpeechRecognitionResult yang mencakup properti berikut:
    • Durasi
    • PergeseranDalamDetik
    • Karakteristik
    • Alasan
    • IdHasil
    • Teks

Jika operasi berhasil, properti Alasan memiliki nilai enumerasi RecognizedSpeech, dan properti Teks berisi transkripsi. Nilai lain yang mungkin untuk Hasil termasuk NoMatch (menunjukkan bahwa audio berhasil diurai tetapi tidak ada ucapan yang dikenali) atau Dibatalkan, yang menunjukkan bahwa terjadi kesalahan (dalam hal ini, Anda dapat memeriksa kumpulan Properti untuk properti CancellationReason untuk menentukan apa yang salah).