VoiceAgentInputTranscription interface
Ustawienia do transkrypcji dźwięku wejściowego, w tym model transkrypcji, wdrożenia Custom Speech oraz wskazówki do fraz.
Gdy model jest , azure-speech-streamingtranskrypcja jest obsługiwana tylko dla kaskadowych modeli tekstowych (nie dla modeli mowy w czasie rzeczywistym), wymaga niepustego languageen-US typu (obsługiwane są lokalizacje oddzielone przecinkami), oraz obsługuje custom_speech, phrase_list, oraz profanity_filter.
Właściwości
| custom_speech | Opcjonalna konfiguracja wdrożenia mowy przez klienta, ustalana według lokalizacji. |
| delay | Kontroluje, jak długo model czeka przed emisją tekstu transkrypcyjnego.
Wyższe wartości mogą poprawić dokładność transkrypcji kosztem opóźnień.
Obsługiwane tylko podczas |
| keywords | Słowa lub frazy kierujące transkrypcją wejściowego dźwięku. Wspierane przez |
| language | Język wejściowego dźwięku. Podanie języka wejściowego w formacie ISO-639-1 (np. |
| languages | Możliwe języki dźwięku wejściowego, w formacie ISO-639-1 . Wspierane przez |
| model | Identyfikator modelu transkrypcji. Konfiguruj niestandardowe wdrożenia |
| phrase_list | Opcjonalne wyrażenie sugeruje, że to uprzedza rozpoznawanie w stronę terminów domenowych. |
| profanity_filter | Kontroluje, jak przekleństwa są traktowane w transkrypcjach wejściowych. Obsługiwany wyłącznie przez zarządzane Azure Speech ( |
| prompt | Opcjonalny tekst wskazujący styl modelu lub jako kontynuacja poprzedniego segmentu audio.
W przypadku |
Szczegóły właściwości
custom_speech
Opcjonalna konfiguracja wdrożenia mowy przez klienta, ustalana według lokalizacji.
custom_speech?: Record<string, string>Wartość właściwości
Record<string, string>
delay
Kontroluje, jak długo model czeka przed emisją tekstu transkrypcyjnego.
Wyższe wartości mogą poprawić dokładność transkrypcji kosztem opóźnień.
Obsługiwane tylko podczas gpt-realtime-whisper sesji w czasie rzeczywistym w GA.
delay?: "low" | "medium" | "high" | "xhigh" | "minimal"Wartość właściwości
"low" | "medium" | "high" | "xhigh" | "minimal"
keywords
Słowa lub frazy kierujące transkrypcją wejściowego dźwięku. Wspierane przez gpt-transcribe i gpt-live-transcribe.
keywords?: string[]Wartość właściwości
string[]
language
Język wejściowego dźwięku. Podanie języka wejściowego w formacie ISO-639-1 (np. en) poprawi dokładność i opóźnienie. Opcjonalne dla innych modeli transkrypcji; wymagane i muszą być niepuste, gdy model jest ( azure-speech-streaming np. en-US; obsługiwane są lokalizacje rozdzielone przecinkami).
language?: stringWartość właściwości
string
languages
Możliwe języki dźwięku wejściowego, w formacie ISO-639-1 . Wspierane przez gpt-transcribe i gpt-live-transcribe.
languages?: string[]Wartość właściwości
string[]
model
Identyfikator modelu transkrypcji. Konfiguruj niestandardowe wdrożenia custom_speechmowy dla klienta.
azure-speech-streaming jest przeznaczony wyłącznie dla kaskadowych rozmów w modelu tekstowym (nie dla modeli mowy w czasie rzeczywistym), wymaga niepustego language rozmowy takiego jak en-US (obsługiwane są lokalizacje rozdzielone przecinkami), oraz obsługuje custom_speech, phrase_list, oraz profanity_filter.
model: VoiceAgentInputTranscriptionModelWartość właściwości
phrase_list
Opcjonalne wyrażenie sugeruje, że to uprzedza rozpoznawanie w stronę terminów domenowych.
phrase_list?: string[]Wartość właściwości
string[]
profanity_filter
Kontroluje, jak przekleństwa są traktowane w transkrypcjach wejściowych. Obsługiwany wyłącznie przez zarządzane Azure Speech (azure-speech i azure-speech-streaming), w tym Custom Speech.
Ustaw tę właściwość przed rozpoczęciem sesji. Jeśli zostanie pominięta, obowiązuje domyślny przepis dostawcy transkrypcji.
Nie możesz zmienić trybu podczas sesji.
Filtrowanie wpływa na zdarzenia transkrypcyjne oraz tekst wysyłany do modeli kaskadowych. Nie zmienia dźwięku wejściowego, wykrywania aktywności głosowej ani mowy asystenta; modele natywne z dźwiękiem nadal otrzymują oryginalny dźwięk. Obowiązkowe zasady noszenia masek w usługach obowiązują nawet wtedy, gdy wybierzesz unfiltered.
profanity_filter?: VoiceAgentProfanityFilterModeWartość właściwości
prompt
Opcjonalny tekst wskazujący styl modelu lub jako kontynuacja poprzedniego segmentu audio.
W przypadku whisper-1polecenia jest to lista słów kluczowych.
W przypadku gpt-4o-transcribe modeli (z wyłączeniem gpt-4o-transcribe-diarize) monit jest ciągiem tekstowym, na przykład "oczekiwano słów związanych z technologią".
Prompt nie jest obsługiwany w gpt-realtime-whisper sesjach czasu rzeczywistego w GA.
prompt?: stringWartość właściwości
string