如何使用音訊輸入數據流

  • 發行項

語音 SDK 提供將音訊串流至辨識器的方式，作為麥克風或檔案輸入的替代方案。

本指南說明如何使用音訊輸入資料流。 同時描述音訊輸入資料流的一些需求與限制。

請參閱 GitHub 上使用音訊輸入串流進行語音轉換文字辨識的更多範例。

識別音訊資料流的格式

識別音訊數據流的格式。

支援的音訊範例如下：

  • PCM 格式 (int-16、帶正負號的)
  • 一個通道
  • 每個樣本 16 位、每秒 8,000 或 16,000 個樣本（每秒 16,000 個字節或每秒 32,000 個字節）
  • 雙區塊對齊（16 位，包括樣本填補）

SDK 中建立音訊格式的對應程式代碼看起來像下列範例：

byte channels = 1;
byte bitsPerSample = 16;
int samplesPerSecond = 16000; // or 8000
var audioFormat = AudioStreamFormat.GetWaveFormatPCM(samplesPerSecond, bitsPerSample, channels);

請確定您的程式代碼會根據這些規格提供RAW音訊數據。 此外，請確定 16 位樣本會以小端格式抵達。 如果您的音訊源數據不符合支援的格式，則必須將音訊轉碼為所需的格式。

建立自己的音訊輸入資料流類別

建立自己衍生自 PullAudioInputStreamCallback 的音訊輸入資料流類別。 實作 Read() 和 Close() 成員。 確切的函式簽章與語言相關，但程式代碼看起來類似下列程式代碼範例：

public class ContosoAudioStream : PullAudioInputStreamCallback 
{
    public ContosoAudioStream() {}

    public override int Read(byte[] buffer, uint size) 
    {
        // Returns audio data to the caller.
        // E.g., return read(config.YYY, buffer, size);
        return 0;
    }

    public override void Close() 
    {
        // Close and clean up resources.
    }
}

根據您的音訊格式與自訂音效輸入資料流，建立音訊設定。 例如：

var audioConfig = AudioConfig.FromStreamInput(new ContosoAudioStream(), audioFormat);

以下說明如何在語音辨識器內容中使用自訂音訊輸入資料流：

using System;
using System.IO;
using System.Threading.Tasks;
using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;

public class ContosoAudioStream : PullAudioInputStreamCallback 
{
    public ContosoAudioStream() {}

    public override int Read(byte[] buffer, uint size) 
    {
        // Returns audio data to the caller.
        // E.g., return read(config.YYY, buffer, size);
        return 0;
    }

    public override void Close() 
    {
        // Close and clean up resources.
    }
}

class Program 
{
    static string speechKey = Environment.GetEnvironmentVariable("SPEECH_KEY");
    static string speechRegion = Environment.GetEnvironmentVariable("SPEECH_REGION");

    async static Task Main(string[] args)
    {
        byte channels = 1;
        byte bitsPerSample = 16;
        uint samplesPerSecond = 16000; // or 8000
        var audioFormat = AudioStreamFormat.GetWaveFormatPCM(samplesPerSecond, bitsPerSample, channels);
        var audioConfig = AudioConfig.FromStreamInput(new ContosoAudioStream(), audioFormat);

        var speechConfig = SpeechConfig.FromSubscription(speechKey, speechRegion); 
        speechConfig.SpeechRecognitionLanguage = "en-US";
        var speechRecognizer = new SpeechRecognizer(speechConfig, audioConfig);

        Console.WriteLine("Speak into your microphone.");
        var speechRecognitionResult = await speechRecognizer.RecognizeOnceAsync();
        Console.WriteLine($"RECOGNIZED: Text={speechRecognitionResult.Text}");
    }
}

下一步