VoiceAgentInputTranscription interface

パッケージ:

@azure/ai-projects

入力音声の文字起こし設定、文字起こしモデル、カスタム音声展開、フレーズヒントなどが含まれます。 modelがazure-speech-streamingされている場合、文字起こしはカスケードテキストモデルの会話のみ(リアルタイム音声読み上げモデルはサポートしません)、en-USのような空でないlanguage(カンマ区切られた位置表示もサポート)、custom_speech、phrase_list、profanity_filterをサポートしています。

プロパティ

custom_speech	オプションで顧客向けのカスタム音声展開構成(ロケーションごとにキー化)。
delay	モデルが文字起こしテキストを出すまでの待ち時間を制御します。 高い値は遅延を伴って転写精度を向上させることができます。 GAのリアルタイムセッションでは gpt-realtime-whisper のみサポートされています。
keywords	入力音声の文字起こしを導く言葉やフレーズ。 gpt-transcribeとgpt-live-transcribeの支援を受けています。
language	入力音声の言語。 ISO-639-1 (例: en) 形式で入力言語を指定すると、精度と待機時間が向上します。 他の転写モデルではオプションです。 model が azure-speech-streaming されている場合(例えば en-US;カンマ区切られた場所もサポートされています)、必須で空でなければなりません。
languages	入力音声の可能な言語( ISO-639-1 形式)。 gpt-transcribeとgpt-live-transcribeの支援を受けています。
model	転写モデル識別子。 顧客のカスタム音声展開を custom_speechで設定してください。 azure-speech-streamingはカスケードテキストモデルの会話専用(リアルタイム音声読み上げモデルではありません)、en-USのような空でないlanguageを必要とし(カンマ区切られたロケーションもサポート)、custom_speech、phrase_list、profanity_filterをサポートしています。
phrase_list	オプションフレーズは、ドメイン用語へのバイアス認識を示唆しています。
profanity_filter	入力記録における罵り言葉の扱い方を制御します。 管理されたAzure音声(azure-speechおよびazure-speech-streaming)、カスタム音声のみでサポートされています。 セッション開始前にこのプロパティを設定してください。 省略された場合、文字起こし提供者のデフォルトが適用されます。 セッション中にモードを変更することはできません。 フィルタリングはトランスクリプトイベントやカスケードモデルに送信されるテキストに影響を与えます。 入力音声、音声活動検出、アシスタント音声は変更されません。オーディオネイティブモデルは元の音声を受け取ります。 義務的なサービスマスクポリシーは、 unfilteredを選択しても適用されます。
prompt	モデルのスタイルをガイドしたり、前の音声セグメントを続けるためのオプションテキスト。 whisper-1の場合、プロンプトはキーワードの一覧です。 gpt-4o-transcribe モデル (gpt-4o-transcribe-diarize を除く) の場合、プロンプトはフリー テキスト文字列です (たとえば、"テクノロジに関連する単語を想定する" など)。 プロンプトはGAのリアルタイムセッションで gpt-realtime-whisper には対応していません。

プロパティの詳細

custom_speech

オプションで顧客向けのカスタム音声展開構成(ロケーションごとにキー化)。

custom_speech?: Record<string, string>

プロパティ値

Record<string, string>

delay

モデルが文字起こしテキストを出すまでの待ち時間を制御します。 高い値は遅延を伴って転写精度を向上させることができます。 GAのリアルタイムセッションでは gpt-realtime-whisper のみサポートされています。

delay?: "low" | "medium" | "high" | "xhigh" | "minimal"

プロパティ値

"low" | "medium" | "high" | "xhigh" | "minimal"

keywords

入力音声の文字起こしを導く言葉やフレーズ。 gpt-transcribeとgpt-live-transcribeの支援を受けています。

keywords?: string[]

プロパティ値

string[]

language

入力音声の言語。 ISO-639-1 (例: en) 形式で入力言語を指定すると、精度と待機時間が向上します。 他の転写モデルではオプションです。 model が azure-speech-streaming されている場合(例えば en-US;カンマ区切られた場所もサポートされています)、必須で空でなければなりません。

language?: string

プロパティ値

string

languages

入力音声の可能な言語( ISO-639-1 形式)。 gpt-transcribeとgpt-live-transcribeの支援を受けています。

languages?: string[]

プロパティ値

string[]

model

転写モデル識別子。 顧客のカスタム音声展開を custom_speechで設定してください。 azure-speech-streamingはカスケードテキストモデルの会話専用(リアルタイム音声読み上げモデルではありません)、en-USのような空でないlanguageを必要とし(カンマ区切られたロケーションもサポート)、custom_speech、phrase_list、profanity_filterをサポートしています。

model: VoiceAgentInputTranscriptionModel

プロパティ値

VoiceAgentInputTranscriptionModel

phrase_list

オプションフレーズは、ドメイン用語へのバイアス認識を示唆しています。

phrase_list?: string[]

プロパティ値

string[]

profanity_filter

入力記録における罵り言葉の扱い方を制御します。 管理されたAzure音声(azure-speechおよびazure-speech-streaming)、カスタム音声のみでサポートされています。 セッション開始前にこのプロパティを設定してください。 省略された場合、文字起こし提供者のデフォルトが適用されます。 セッション中にモードを変更することはできません。 フィルタリングはトランスクリプトイベントやカスケードモデルに送信されるテキストに影響を与えます。 入力音声、音声活動検出、アシスタント音声は変更されません。オーディオネイティブモデルは元の音声を受け取ります。 義務的なサービスマスクポリシーは、 unfilteredを選択しても適用されます。

profanity_filter?: VoiceAgentProfanityFilterMode

プロパティ値

VoiceAgentProfanityFilterMode

prompt

モデルのスタイルをガイドしたり、前の音声セグメントを続けるためのオプションテキスト。 whisper-1の場合、プロンプトはキーワードの一覧です。 gpt-4o-transcribe モデル (gpt-4o-transcribe-diarize を除く) の場合、プロンプトはフリー テキスト文字列です (たとえば、"テクノロジに関連する単語を想定する" など)。 プロンプトはGAのリアルタイムセッションで gpt-realtime-whisper には対応していません。

prompt?: string

プロパティ値

string