如何即時轉錄多聲道音訊

Note

這項功能目前處於公開預覽狀態。此預覽版是在沒有服務等級協定的情況下提供的，不建議用於生產工作負載。某些功能可能不被支援或功能受限。欲了解更多資訊，請參閱 Microsoft Azure 預覽版補充使用條款。

即時多聲道轉錄處理立體聲（雙聲道）音訊檔案或串流，並回傳依聲道標記的識別結果。當每個頻道攜帶你想獨立轉錄的獨立音訊來源時，例如客服通話的兩端，請使用它。語音服務同時轉錄最多兩個頻道，並報告每個識別結果的來源頻道。

兩個通道間大量重疊的語音會增加結果處理延遲。

參考文件 | 套件 (PyPi) | GitHub 上的其他範例

在本指南中，你可以使用 Python 的語音 SDK 轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

Python 版本 1.51.0 或更新版的語音 SDK。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SpeechConfig 實例並將屬性設 Speech_EnableMultiChannelProcessing 為 true。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription="YourSpeechKey", endpoint="YourSpeechEndpoint")
speech_config.speech_recognition_language = "en-US"

# Enable per-channel transcription of up to two channels.
speech_config.set_property(speechsdk.PropertyId.Speech_EnableMultiChannelProcessing, "true")

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 AudioConfig 實例：

audio_config = speechsdk.audio.AudioConfig(filename="stereo.wav")

對於即時來源，請從推送或拉取串流建立實 AudioConfig 例。建立串流格式時，請將頻道數量設為 2：

# Match the format of your stereo source: sample rate, bits per sample, and 2 channels.
stream_format = speechsdk.audio.AudioStreamFormat(samples_per_second=16000, bits_per_sample=16, channels=2)
push_stream = speechsdk.audio.PushAudioInputStream(stream_format=stream_format)
audio_config = speechsdk.audio.AudioConfig(stream=push_stream)

# Write raw PCM audio (without the WAV header) to push_stream as it becomes available,
# and call push_stream.close() when the source ends.

識別並讀取每個通道的結果

建立一個 SpeechRecognizer 範例並使用持續識別。每個最終結果都會包含該 channel 屬性中的來源通道。多通道轉錄僅支援連續識別;不支援單發識別recognize_once（）。

import time

speech_recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config, audio_config=audio_config)

done = False

def recognized_cb(evt):
    if evt.result.reason == speechsdk.ResultReason.RecognizedSpeech:
        print("RECOGNIZED (channel {}): {}".format(evt.result.channel, evt.result.text))

def stop_cb(evt):
    global done
    done = True

speech_recognizer.recognized.connect(recognized_cb)
speech_recognizer.session_stopped.connect(stop_cb)
speech_recognizer.canceled.connect(stop_cb)

speech_recognizer.start_continuous_recognition()
while not done:
    time.sleep(0.5)
speech_recognizer.stop_continuous_recognition()

這個 channel 特性會識別產生結果的零基通道，因此你可以將每個通道的逐字稿分開保存。

結合多通道轉錄與日記

若要識別每個聲道中的說話者，請使用 a ConversationTranscriber 代替 SpeechRecognizer。轉錄員會報告事件的 transcribed 最終結果，每個結果都包含與 channelspeaker_id。

import time

conversation_transcriber = speechsdk.transcription.ConversationTranscriber(
    speech_config=speech_config, audio_config=audio_config)

done = False

def transcribed_cb(evt):
    if evt.result.reason == speechsdk.ResultReason.RecognizedSpeech:
        print("TRANSCRIBED (channel {}, speaker {}): {}".format(
            evt.result.channel, evt.result.speaker_id, evt.result.text))

def stop_cb(evt):
    global done
    done = True

conversation_transcriber.transcribed.connect(transcribed_cb)
conversation_transcriber.session_stopped.connect(stop_cb)
conversation_transcriber.canceled.connect(stop_cb)

conversation_transcriber.start_transcribing_async().get()
while not done:
    time.sleep(0.5)
conversation_transcriber.stop_transcribing_async().get()

參考文件 | 套件 (NuGet) | GitHub 上的其他範例

在本指南中，你會使用 C# 的語音 SDK 來轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

C# 版本 1.51.0 或更新版的 Speech SDK 。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SpeechConfig 實例並將屬性設 Speech_EnableMultiChannelProcessing 為 true。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

using System;
using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;
using Microsoft.CognitiveServices.Speech.Transcription;

var speechConfig = SpeechConfig.FromEndpoint(
    new Uri("YourSpeechEndpoint"), "YourSpeechKey");
speechConfig.SpeechRecognitionLanguage = "en-US";

// Enable per-channel transcription of up to two channels.
speechConfig.SetProperty(PropertyId.Speech_EnableMultiChannelProcessing, "true");

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 AudioConfig 實例：

using var audioConfig = AudioConfig.FromWavFileInput("stereo.wav");

對於即時來源，請從推送或拉取串流建立實 AudioConfig 例。建立串流格式時，請將頻道數量設為 2：

// Match the format of your stereo source: sample rate, bits per sample, and 2 channels.
var streamFormat = AudioStreamFormat.GetWaveFormatPCM(16000, 16, 2);
var pushStream = AudioInputStream.CreatePushStream(streamFormat);
using var audioConfig = AudioConfig.FromStreamInput(pushStream);

// Write raw PCM audio (without the WAV header) to pushStream as it becomes available,
// and call pushStream.Close() when the source ends.

識別並讀取每個通道的結果

建立一個 SpeechRecognizer 範例並使用持續識別。每個最終結果都會包含該 Channel 屬性中的來源通道。多通道轉錄僅支援連續識別;不支援單發識別RecognizeOnceAsync（）。

using var recognizer = new SpeechRecognizer(speechConfig, audioConfig);
var stopRecognition = new TaskCompletionSource<int>();

recognizer.Recognized += (s, e) =>
{
    if (e.Result.Reason == ResultReason.RecognizedSpeech)
    {
        Console.WriteLine($"RECOGNIZED (channel {e.Result.Channel}): {e.Result.Text}");
    }
};

recognizer.Canceled += (s, e) => stopRecognition.TrySetResult(0);
recognizer.SessionStopped += (s, e) => stopRecognition.TrySetResult(0);

await recognizer.StartContinuousRecognitionAsync();
Task.WaitAny(new[] { stopRecognition.Task });
await recognizer.StopContinuousRecognitionAsync();

這個 Channel 特性會識別產生結果的零基通道，因此你可以將每個通道的逐字稿分開保存。

結合多通道轉錄與日記

若要識別每個聲道中的說話者，請使用 a ConversationTranscriber 代替 SpeechRecognizer。轉錄員會報告活動的 Transcribed 最終結果，每個結果都包含頻道名稱和講者編號。

using var conversationTranscriber = new ConversationTranscriber(speechConfig, audioConfig);
var stopTranscription = new TaskCompletionSource<int>();

conversationTranscriber.Transcribed += (s, e) =>
{
    if (e.Result.Reason == ResultReason.RecognizedSpeech)
    {
        Console.WriteLine($"TRANSCRIBED (channel {e.Result.Channel}, speaker {e.Result.SpeakerId}): {e.Result.Text}");
    }
};

conversationTranscriber.Canceled += (s, e) => stopTranscription.TrySetResult(0);
conversationTranscriber.SessionStopped += (s, e) => stopTranscription.TrySetResult(0);

await conversationTranscriber.StartTranscribingAsync();
Task.WaitAny(new[] { stopTranscription.Task });
await conversationTranscriber.StopTranscribingAsync();

參考文件 | 套件 (NuGet) | GitHub 上的其他範例

在本指南中，你將使用 C++ 的語音 SDK 來轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

C++ 1.51.0 或更新版本的語音 SDK 。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SpeechConfig 實例並將屬性設 Speech_EnableMultiChannelProcessing 為 true。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

#include <speechapi_cxx.h>

using namespace Microsoft::CognitiveServices::Speech;
using namespace Microsoft::CognitiveServices::Speech::Audio;
using namespace Microsoft::CognitiveServices::Speech::Transcription;

auto speechConfig = SpeechConfig::FromEndpoint(
    "YourSpeechEndpoint", "YourSpeechKey");
speechConfig->SetSpeechRecognitionLanguage("en-US");

// Enable per-channel transcription of up to two channels.
speechConfig->SetProperty(PropertyId::Speech_EnableMultiChannelProcessing, "true");

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 AudioConfig 實例：

auto audioConfig = AudioConfig::FromWavFileInput("stereo.wav");

對於即時來源，請從推送或拉取串流建立實 AudioConfig 例。建立串流格式時，請將頻道數量設為 2：

// Match the format of your stereo source: sample rate, bits per sample, and 2 channels.
auto streamFormat = AudioStreamFormat::GetWaveFormatPCM(16000, 16, 2);
auto pushStream = AudioInputStream::CreatePushStream(streamFormat);
auto audioConfig = AudioConfig::FromStreamInput(pushStream);

// Write raw PCM audio (without the WAV header) to pushStream as it becomes available,
// and call pushStream->Close() when the source ends.

識別並讀取每個通道的結果

建立一個 SpeechRecognizer 範例並使用持續識別。每個最終結果都包含該方法的 Channel() 來源通道。多通道轉錄僅支援連續識別;不支援單發識別RecognizeOnceAsync（）。

#include <atomic>
#include <future>

auto recognizer = SpeechRecognizer::FromConfig(speechConfig, audioConfig);
std::promise<void> recognitionEnd;
std::atomic<bool> recognitionEnded{false};

auto signalRecognitionEnd = [&recognitionEnd, &recognitionEnded]()
{
    if (!recognitionEnded.exchange(true))
    {
        recognitionEnd.set_value();
    }
};

recognizer->Recognized.Connect([](const SpeechRecognitionEventArgs& e)
{
    if (e.Result->Reason == ResultReason::RecognizedSpeech)
    {
        printf("RECOGNIZED (channel %d): %s\n", e.Result->Channel(), e.Result->Text.c_str());
    }
});

recognizer->Canceled.Connect([&signalRecognitionEnd](const SpeechRecognitionCanceledEventArgs& e)
{
    if (e.Reason == CancellationReason::Error)
    {
        signalRecognitionEnd();
    }
});

recognizer->SessionStopped.Connect([&signalRecognitionEnd](const SessionEventArgs& e)
{
    signalRecognitionEnd();
});

recognizer->StartContinuousRecognitionAsync().get();
recognitionEnd.get_future().get();
recognizer->StopContinuousRecognitionAsync().get();

該 Channel() 方法會回傳產生結果的零基通道，因此你可以將每個通道的逐字稿分開保存。

結合多通道轉錄與日記

auto conversationTranscriber = ConversationTranscriber::FromConfig(speechConfig, audioConfig);
std::promise<void> transcriptionEnd;
std::atomic<bool> transcriptionEnded{false};

auto signalTranscriptionEnd = [&transcriptionEnd, &transcriptionEnded]()
{
    if (!transcriptionEnded.exchange(true))
    {
        transcriptionEnd.set_value();
    }
};

conversationTranscriber->Transcribed.Connect([](const ConversationTranscriptionEventArgs& e)
{
    if (e.Result->Reason == ResultReason::RecognizedSpeech)
    {
        printf("TRANSCRIBED (channel %d, speaker %s): %s\n",
            e.Result->Channel(), e.Result->SpeakerId.c_str(), e.Result->Text.c_str());
    }
});

conversationTranscriber->Canceled.Connect([&signalTranscriptionEnd](const ConversationTranscriptionCanceledEventArgs& e)
{
    if (e.Reason == CancellationReason::Error)
    {
        signalTranscriptionEnd();
    }
});

conversationTranscriber->SessionStopped.Connect([&signalTranscriptionEnd](const SessionEventArgs& e)
{
    signalTranscriptionEnd();
});

conversationTranscriber->StartTranscribingAsync().get();
transcriptionEnd.get_future().get();
conversationTranscriber->StopTranscribingAsync().get();

參考文件 | GitHub 上的其他範例

在本指南中，你使用 Speech SDK for Java 來轉錄立體聲音訊來源，並為每個聲道分別讀取語音轉文字結果。

先決條件

Java 版本 1.51.0 或更新版本的語音 SDK。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SpeechConfig 實例並將屬性設 Speech_EnableMultiChannelProcessing 為 true。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

import com.microsoft.cognitiveservices.speech.*;
import com.microsoft.cognitiveservices.speech.audio.*;
import com.microsoft.cognitiveservices.speech.transcription.*;
import java.net.URI;

SpeechConfig speechConfig = SpeechConfig.fromEndpoint(
    new URI("YourSpeechEndpoint"), "YourSpeechKey");
speechConfig.setSpeechRecognitionLanguage("en-US");

// Enable per-channel transcription of up to two channels.
speechConfig.setProperty(PropertyId.Speech_EnableMultiChannelProcessing, "true");

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 AudioConfig 實例：

AudioConfig audioConfig = AudioConfig.fromWavFileInput("stereo.wav");

對於即時來源，請從推送或拉取串流建立實 AudioConfig 例。建立串流格式時，請將頻道數量設為 2：

// Match the format of your stereo source: sample rate, bits per sample, and 2 channels.
AudioStreamFormat streamFormat = AudioStreamFormat.getWaveFormatPCM(16000, (short)16, (short)2);
PushAudioInputStream pushStream = AudioInputStream.createPushStream(streamFormat);
AudioConfig audioConfig = AudioConfig.fromStreamInput(pushStream);

// Write raw PCM audio (without the WAV header) to pushStream as it becomes available,
// and call pushStream.close() when the source ends.

識別並讀取每個通道的結果

建立一個 SpeechRecognizer 範例並使用持續識別。每個最終結果都包含該方法的 getChannel() 來源通道。多通道轉錄僅支援連續識別;不支援單發識別recognizeOnceAsync（）。

import java.util.concurrent.Semaphore;

SpeechRecognizer recognizer = new SpeechRecognizer(speechConfig, audioConfig);
Semaphore recognitionEnd = new Semaphore(0);

recognizer.recognized.addEventListener((s, e) -> {
    if (e.getResult().getReason() == ResultReason.RecognizedSpeech) {
        System.out.println("RECOGNIZED (channel " + e.getResult().getChannel() + "): " + e.getResult().getText());
    }
});

recognizer.canceled.addEventListener((s, e) -> {
    if (e.getReason() == CancellationReason.Error) {
        recognitionEnd.release();
    }
});

recognizer.sessionStopped.addEventListener((s, e) -> recognitionEnd.release());

recognizer.startContinuousRecognitionAsync().get();
recognitionEnd.acquire();
recognizer.stopContinuousRecognitionAsync().get();

recognizer.close();

該 getChannel() 方法會回傳產生結果的零基通道，因此你可以將每個通道的逐字稿分開保存。

結合多通道轉錄與日記

若要識別每個聲道中的說話者，請使用 a ConversationTranscriber 代替 SpeechRecognizer。轉錄員會報告活動的 transcribed 最終結果，每個結果都包含頻道名稱和講者編號。

ConversationTranscriber conversationTranscriber = new ConversationTranscriber(speechConfig, audioConfig);
Semaphore transcriptionEnd = new Semaphore(0);

conversationTranscriber.transcribed.addEventListener((s, e) -> {
    if (e.getResult().getReason() == ResultReason.RecognizedSpeech) {
        System.out.println("TRANSCRIBED (channel " + e.getResult().getChannel()
            + ", speaker " + e.getResult().getSpeakerId() + "): " + e.getResult().getText());
    }
});

conversationTranscriber.canceled.addEventListener((s, e) -> {
    if (e.getReason() == CancellationReason.Error) {
        transcriptionEnd.release();
    }
});

conversationTranscriber.sessionStopped.addEventListener((s, e) -> transcriptionEnd.release());

conversationTranscriber.startTranscribingAsync().get();
transcriptionEnd.acquire();
conversationTranscriber.stopTranscribingAsync().get();

conversationTranscriber.close();

參考文件 | 套件 (npm) | GitHub 上的其他範例 | 程式庫原始程式碼

在本指南中，你要使用 JavaScript 的語音 SDK 來轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

JavaScript 版本 1.51.0 或更新版本的語音 SDK 。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SpeechConfig 實例並將屬性設 Speech_EnableMultiChannelProcessing 為 true。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

const sdk = require("microsoft-cognitiveservices-speech-sdk");

const speechConfig = sdk.SpeechConfig.fromEndpoint(
    new URL("YourSpeechEndpoint"), "YourSpeechKey");
speechConfig.speechRecognitionLanguage = "en-US";

// Enable per-channel transcription of up to two channels.
speechConfig.setProperty(sdk.PropertyId.Speech_EnableMultiChannelProcessing, "true");

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔案建立一個 AudioConfig 實例：

const fs = require("fs");
const audioConfig = sdk.AudioConfig.fromWavFileInput(fs.readFileSync("stereo.wav"));

對於即時來源，請從推送串流建立實 AudioConfig 例。建立串流格式時，請將頻道數量設為 2：

// Match the format of your stereo source: sample rate, bits per sample, and 2 channels.
const streamFormat = sdk.AudioStreamFormat.getWaveFormatPCM(16000, 16, 2);
const pushStream = sdk.AudioInputStream.createPushStream(streamFormat);
const audioConfig = sdk.AudioConfig.fromStreamInput(pushStream);

// Write raw PCM audio (without the WAV header) to pushStream as it becomes available,
// and call pushStream.close() when the source ends.

識別並讀取每個通道的結果

建立一個 SpeechRecognizer 範例並使用持續識別。多通道轉錄僅支援連續識別;不支援單發識別recognizeOnceAsync（）。

const recognizer = new sdk.SpeechRecognizer(speechConfig, audioConfig);

recognizer.recognized = (s, e) => {
    if (e.result.reason === sdk.ResultReason.RecognizedSpeech) {
        // e.result.channel identifies the source channel (0 or 1).
        console.log(`RECOGNIZED (channel ${e.result.channel}): ${e.result.text}`);
    }
};

recognizer.sessionStopped = (s, e) => {
    recognizer.stopContinuousRecognitionAsync();
};

recognizer.startContinuousRecognitionAsync();

使用每個結果的頻道值來保持每個頻道的逐字稿分開。

結合多通道轉錄與日記

要辨識說話者，請使用 a ConversationTranscriber 代替 SpeechRecognizer。轉錄員會報告活動的最終結果 transcribed ，每個結果都包含講者編號。

Important

在 JavaScript 1.51.0 版本的 Speech SDK 中， ConversationTranscriber 結果無法可靠回報來源通道。計畫在 1.52.0 版本推出修正。如果你用的是版本 1.51.0，請用來 speakerId 辨識喇叭，但不要用 channel 來依來源聲道分開日變結果。當你需要可靠的來源通道元資料時使用 SpeechRecognizer 。

const conversationTranscriber = new sdk.ConversationTranscriber(speechConfig, audioConfig);

conversationTranscriber.transcribed = (s, e) => {
    if (e.result.reason === sdk.ResultReason.RecognizedSpeech) {
        console.log(`TRANSCRIBED (speaker ${e.result.speakerId}): ${e.result.text}`);
    }
};

conversationTranscriber.sessionStopped = (s, e) => {
    conversationTranscriber.stopTranscribingAsync();
};

conversationTranscriber.startTranscribingAsync();

參考文件 | 套件（Go） | 在 GitHub 上的其他範例

在本指南中，你會使用 Go 的語音 SDK 來轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

Speech SDK for Go 版本 1.52.0 或更新版本。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

Note

在 SDK 1.52.0 發布之前，請直接下載目前的 Speech SDK Go 原始碼。

建立語音配置並啟用多頻道處理

建立一個 SpeechConfig 實例並啟用多通道處理。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

import (
    "github.com/Microsoft/cognitive-services-speech-sdk-go/common"
    "github.com/Microsoft/cognitive-services-speech-sdk-go/speech"
)

speechConfig, err := speech.NewSpeechConfigFromEndpointWithSubscription(
    "YourSpeechEndpoint", "YourSpeechKey")
if err != nil {
    fmt.Println("Got an error: ", err)
    return
}
defer speechConfig.Close()
speechConfig.SetSpeechRecognitionLanguage("en-US")

// Enable per-channel transcription of up to two channels.
speechConfig.SetProperty(common.EnableMultiChannelProcessing, "true")

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 AudioConfig 實例：

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

audioConfig, err := audio.NewAudioConfigFromWavFileInput("stereo.wav")
if err != nil {
    fmt.Println("Got an error: ", err)
    return
}
defer audioConfig.Close()

對於即時來源，請從格式指定兩個通道的串流建立 AudioConfig 實例，並在串流可用時寫入原始 PCM 音訊（不含 WAV 標頭）。

識別並讀取每個通道的結果

建立一個 SpeechRecognizer 範例並使用持續識別。多通道轉錄僅支援連續識別;不支援單發識別。

每個識別結果都 Channel 帶有一個欄位，用以識別來源音訊通道。頻道編號從零開始。

import (
    "github.com/Microsoft/cognitive-services-speech-sdk-go/common"
    "github.com/Microsoft/cognitive-services-speech-sdk-go/speech"
)

speechRecognizer, err := speech.NewSpeechRecognizerFromConfig(speechConfig, audioConfig)
if err != nil {
    fmt.Println("Got an error: ", err)
    return
}
defer speechRecognizer.Close()

speechRecognizer.Recognized(func(event speech.SpeechRecognitionEventArgs) {
    defer event.Close()
    // event.Result.Channel identifies the source channel (0 or 1).
    fmt.Printf("RECOGNIZED (channel %d): %s\n", event.Result.Channel, event.Result.Text)
})

// The Start and Stop methods return a channel that reports the outcome
// of the operation. Read from it to wait for the operation to complete.
if err := <-speechRecognizer.StartContinuousRecognitionAsync(); err != nil {
    fmt.Println("Got an error: ", err)
    return
}
defer func() { <-speechRecognizer.StopContinuousRecognitionAsync() }()

使用每個結果的頻道值來保持每個頻道的逐字稿分開。

結合多通道轉錄與日記

import "github.com/Microsoft/cognitive-services-speech-sdk-go/speech"

conversationTranscriber, err := speech.NewConversationTranscriberFromConfig(speechConfig, audioConfig)
if err != nil {
    fmt.Println("Got an error: ", err)
    return
}
defer conversationTranscriber.Close()

conversationTranscriber.Transcribed(func(event speech.ConversationTranscriptionEventArgs) {
    defer event.Close()
    fmt.Printf("TRANSCRIBED (channel %d, speaker %s): %s\n",
        event.Result.Channel, event.Result.SpeakerID, event.Result.Text)
})

if err := <-conversationTranscriber.StartTranscribingAsync(); err != nil {
    fmt.Println("Got an error: ", err)
    return
}
defer func() { <-conversationTranscriber.StopTranscribingAsync() }()

參考文件 | 套件 (下載) | GitHub 上的其他範例

在本指南中，你使用 Speech SDK for Objective-C 來轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

Objective-C 1.51.0 或更新版本的語音 SDK。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SPXSpeechConfiguration 實例並將屬性設 SPXSpeechEnableMultiChannelProcessing 為 true。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

SPXSpeechConfiguration *speechConfig = [[SPXSpeechConfiguration alloc]
    initWithEndpoint:@"YourSpeechEndpoint" subscription:@"YourSpeechKey"];
speechConfig.speechRecognitionLanguage = @"en-US";

// Enable per-channel transcription of up to two channels.
[speechConfig setPropertyTo:@"true" byId:SPXSpeechEnableMultiChannelProcessing];

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 SPXAudioConfiguration 實例：

SPXAudioConfiguration *audioConfig = [[SPXAudioConfiguration alloc] initWithWavFileInput:@"stereo.wav"];

對於即時來源，請從格式指定兩個通道的串流建立 SPXAudioConfiguration 實例，並在串流可用時寫入原始 PCM 音訊（不含 WAV 標頭）。

識別並讀取每個通道的結果

建立一個 SPXSpeechRecognizer 實例並使用持續識別。多通道轉錄僅支援連續識別;不支援單發識別recognizeOnce（）。

SPXSpeechRecognizer *recognizer = [[SPXSpeechRecognizer alloc] initWithSpeechConfiguration:speechConfig audioConfiguration:audioConfig];

[recognizer addRecognizedEventHandler:^(SPXSpeechRecognizer *recognizer, SPXSpeechRecognitionEventArgs *evt) {
    SPXSpeechRecognitionResult *result = evt.result;
    if (result != nil && result.reason == SPXResultReason_RecognizedSpeech) {
        // result.channel identifies the source channel (0 or 1).
        NSLog(@"RECOGNIZED (channel %ld): %@", (long)result.channel, result.text);
    }
}];

[recognizer startContinuousRecognition];

使用每個結果的頻道值來保持每個頻道的逐字稿分開。

結合多通道轉錄與日記

若要在每個頻道中識別說話者，請使用 a SPXConversationTranscriber 代替 SPXSpeechRecognizer。轉錄器會回報轉錄事件的最終結果，每個結果都會包含頻道名稱和講者ID。

SPXConversationTranscriber *conversationTranscriber = [[SPXConversationTranscriber alloc] initWithSpeechConfiguration:speechConfig audioConfiguration:audioConfig];

[conversationTranscriber addTranscribedEventHandler:^(SPXConversationTranscriber *transcriber, SPXConversationTranscriptionEventArgs *evt) {
    SPXConversationTranscriptionResult *result = evt.result;
    if (result != nil && result.reason == SPXResultReason_RecognizedSpeech) {
        NSLog(@"TRANSCRIBED (channel %ld, speaker %@): %@", (long)result.channel, result.speakerId, result.text);
    }
}];

[conversationTranscriber startTranscribingAsync:^(BOOL started, NSError *error) {
    if (!started || error != nil) {
        NSLog(@"Could not start transcription: %@", error);
    }
}];

轉錄完成後，停止轉錄器：

[conversationTranscriber stopTranscribingAsync:^(BOOL stopped, NSError *error) {
    if (!stopped || error != nil) {
        NSLog(@"Could not stop transcription: %@", error);
    }
}];

參考文件 | 套件 (下載) | GitHub 上的其他範例

在本指南中，你會使用 Swift 的語音 SDK 來轉錄立體聲音訊來源，並為每個聲道讀取獨立的語音轉文字結果。

先決條件

Swift 1.51.0 或更新版本的語音 SDK 。
雙聲道（立體聲）WAV 檔案或立體聲音訊串流。語音服務最多可轉錄兩個頻道。

建立語音配置並啟用多頻道處理

建立一個 SPXSpeechConfiguration 實例並啟用多通道處理。用你的語音資源端點和鍵替換 YourSpeechEndpoint 和 YourSpeechKey 。

let speechConfig = try! SPXSpeechConfiguration(
    endpoint: "YourSpeechEndpoint", subscription: "YourSpeechKey")
speechConfig.speechRecognitionLanguage = "en-US"

// Enable per-channel transcription of up to two channels.
speechConfig.setPropertyTo("true", by: SPXPropertyId.speechEnableMultiChannelProcessing)

提供立體聲音訊

多聲道轉錄可接受立體聲音訊檔案或立體聲串流。要轉錄檔案，請從檔名建立一個 SPXAudioConfiguration 實例：

let audioConfig = SPXAudioConfiguration(wavFileInput: "stereo.wav")

對於即時來源，請從格式指定兩個通道的串流建立 SPXAudioConfiguration 實例，並在串流可用時寫入原始 PCM 音訊（不含 WAV 標頭）。

識別並讀取每個通道的結果

建立一個 SPXSpeechRecognizer 實例並使用持續識別。多通道轉錄僅支援連續識別;不支援單發識別recognizeOnce（）。

let recognizer = try! SPXSpeechRecognizer(speechConfiguration: speechConfig, audioConfiguration: audioConfig!)

recognizer.addRecognizedEventHandler { recognizer, evt in
    guard let result = evt.result else {
        return
    }

    if result.reason == SPXResultReason.recognizedSpeech {
        // result.channel identifies the source channel (0 or 1).
        print("RECOGNIZED (channel \(result.channel)): \(result.text ?? "")")
    }
}

try! recognizer.startContinuousRecognition()

使用每個結果的頻道值來保持每個頻道的逐字稿分開。

結合多通道轉錄與日記

let conversationTranscriber = try! SPXConversationTranscriber(speechConfiguration: speechConfig, audioConfiguration: audioConfig!)

conversationTranscriber.addTranscribedEventHandler { transcriber, evt in
    guard let result = evt.result else {
        return
    }

    if result.reason == SPXResultReason.recognizedSpeech {
        print("TRANSCRIBED (channel \(result.channel), speaker \(result.speakerId ?? "")): \(result.text ?? "")")
    }
}

do {
    try conversationTranscriber.startTranscribingAsync { started, error in
        if let error = error {
            print("Could not start transcription: \(error)")
        } else if started {
            print("Transcription started")
        }
    }
} catch {
    print("Could not start transcription: \(error)")
}

轉錄完成後，停止轉錄器：

do {
    try conversationTranscriber.stopTranscribingAsync { stopped, error in
        if let error = error {
            print("Could not stop transcription: \(error)")
        } else if stopped {
            print("Transcription stopped")
        }
    }
} catch {
    print("Could not stop transcription: \(error)")
}

支援與不支援的功能

多頻道轉錄支援多項即時語音轉文字功能，且不支援其他功能。下表總結了目前的支撐情況。

Feature	支援
自動分段標記	✅
自訂語音	✅
語意分割	✅
真實文本	✅
語言識別	❌
多語言模型	❌
串流後最佳化	❌
片語列表	❌
發音評量	❌

當你結合多頻道轉錄與日記化時，結果也會包含講者ID。 diarization 結果的來源通道元資料會因語音 SDK 而異。在同時使用頻道和說話者元資料前，請先閱讀你程式語言的指引。

不同頻道的結果並不保證會完美時間順序送達，尤其是當語音在不同頻道重疊時。

如何辨識語音
音效概念
關於預錄檔案的逐頻道轉錄，請參閱channels批次轉錄中的屬性。

意見反應

此頁面對您有幫助嗎？

上次更新時間： 2026-08-14

如何即時轉錄多聲道音訊

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

先決條件

建立語音配置並啟用多頻道處理

提供立體聲音訊

識別並讀取每個通道的結果

結合多通道轉錄與日記

支援與不支援的功能

相關內容

意見反應

其他資源