Ottenere i risultati del riconoscimento vocale

Documentazione di riferimento | Pacchetto (NuGet) | Ulteriori esempi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognizing.

speechRecognizer.Recognizing += (object sender, SpeechRecognitionEventArgs e) =>
    {
        if (e.Result.Reason == ResultReason.RecognizingSpeech)
        {        
            Console.WriteLine(String.Format ("RECOGNIZING: {0}", e.Result.Text));
            Console.WriteLine(String.Format ("Offset in Ticks: {0}", e.Result.OffsetInTicks));
            Console.WriteLine(String.Format ("Duration in Ticks: {0}", e.Result.Duration.Ticks));
        }
    };

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

speechConfig.RequestWordLevelTimestamps();

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognized.

speechRecognizer.Recognized += (object sender, SpeechRecognitionEventArgs e) =>
    {
        if (ResultReason.RecognizedSpeech == e.Result.Reason && e.Result.Text.Length > 0)
        {            
            Console.WriteLine($"RECOGNIZED: Text={e.Result.Text}");
            Console.WriteLine(String.Format ("Offset in Ticks: {0}", e.Result.OffsetInTicks));
            Console.WriteLine(String.Format ("Duration in Ticks: {0}", e.Result.Duration.Ticks));
                        
            var detailedResults = e.Result.Best();
            if(detailedResults != null && detailedResults.Any())
            {
                // The first item in detailedResults corresponds to the recognized text.
                // This is not necessarily the item with the highest confidence number.
                var bestResults = detailedResults?.ToList()[0];
                Console.WriteLine(String.Format("\tConfidence: {0}\n\tText: {1}\n\tLexicalForm: {2}\n\tNormalizedForm: {3}\n\tMaskedNormalizedForm: {4}",
                    bestResults.Confidence, bestResults.Text, bestResults.LexicalForm, bestResults.NormalizedForm, bestResults.MaskedNormalizedForm));
                // You must set speechConfig.RequestWordLevelTimestamps() to get word-level timestamps.
                Console.WriteLine($"\tWord-level timing:");
                Console.WriteLine($"\t\tWord | Offset | Duration");
                Console.WriteLine($"\t\t----- | ----- | ----- ");

                foreach (var word in bestResults.Words)
                {
                    Console.WriteLine($"\t\t{word.Word} | {word.Offset} | {word.Duration}");
                }
            }
        }
    };

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

Documentazione di riferimento | Pacchetto (NuGet) | Ulteriori esempi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognizing.

speechRecognizer->Recognizing.Connect([](const SpeechRecognitionEventArgs& e)
    {
        cout << "Recognizing:" << e.Result->Text << std::endl;
        cout << "Offset in Ticks:" << e.Result->Offset() << std::endl;
        cout << "Duration in Ticks:" << e.Result->Duration() << std::endl;
    });

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

speechConfig->RequestWordLevelTimestamps();

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

Documentazione di riferimento | Pacchetto (Go) | Ulteriori esempi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognizing.

func recognizingHandler(event speech.SpeechRecognitionEventArgs) {
    defer event.Close()
    fmt.Println("Recognizing:", event.Result.Text)
    fmt.Println("Offset in Ticks:", event.Result.Offset)
    fmt.Println("Duration in Ticks:", event.Result.Duration)
}

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

speechConfig.RequestWordLevelTimestamps();

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

documentazione di riferimento | Esempi aggiuntivi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognizing.

speechRecognizer.recognizing.addEventListener((s, e) -> {
    System.out.println("RECOGNIZING: " + e.getResult().getText());
    System.out.println("Offset in Ticks: " + e.getResult().getOffset());
    System.out.println("Duration in Ticks: " + e.getResult().getDuration());
});

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

speechConfig.requestWordLevelTimestamps();

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

Documentazione di riferimento | Pacchetto (npm) | Ulteriori esempi in GitHub | Codice sorgente della libreria

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognizing.

speechRecognizer.recognizing = function (s, e) {
    console.log("RECOGNIZING: " + e.result.text);
    console.log("Offset in Ticks: " + e.result.offset);
    console.log("Duration in Ticks: " + e.result.duration);
};

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

speechConfig.requestWordLevelTimestamps();

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

Documentazione di riferimento | Pacchetto (download) | Ulteriori esempi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

[speechConfig requestWordLevelTimestamps];

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

Documentazione di riferimento | Pacchetto (download) | Ulteriori esempi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

[speechConfig requestWordLevelTimestamps];

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

Documentazione di riferimento | Pacchetto (PyPi) | Ulteriori esempi in GitHub

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Questo frammento di codice mostra come ottenere l'offset e la durata da un evento Recognizing.

def recognizing_handler(e : speechsdk.SpeechRecognitionEventArgs) :
    if speechsdk.ResultReason.RecognizingSpeech == e.result.reason and len(e.result.text) > 0 :
        print("Recognized: {}".format(result.text))
        print("Offset in Ticks: {}".format(result.offset))
        print("Duration in Ticks: {}".format(result.duration))

Offset e durata del parlato riconosciuto

Dopo aver riconosciuto un'espressione, è possibile ottenere l'offset e la durata del parlato riconosciuto. Con l'evento Recognized è anche possibile ottenere l'offset e la durata per parola. Per richiedere l'offset e la durata per parola è necessario impostare innanzitutto la proprietà corrispondente SpeechConfig, come mostrato qui di seguito:

speech_config.request_word_level_timestamps()

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).

In questa guida pratica si apprenderà come usare i risultati del riconoscimento vocale.

Sincronizzazione vocale

Sincronizzare le trascrizioni con una traccia audio, sia in tempo reale che con audio preregistrato.

Il servizio Voce restituisce l'offset e la durata del parlato riconosciuto.

• Offset: offset nel flusso audio riconosciuto, espresso come durata. L'offset viene misurato in tick, a partire da 0 (zero) tick, associati al primo byte audio elaborato dall'SDK. Ad esempio, l'offset inizia all'avvio del riconoscimento, poiché è quando l'SDK avvia l'elaborazione del flusso audio. Un tick rappresenta cento nanosecondi o un decimilionesimo di secondo.
• Durata: durata dell'espressione riconosciuta. La durata in tick non include il silenzio iniziale o finale.

La fine di una singola espressione è determinata dall'attesa del silenzio alla fine. Si otterrà il risultato finale del riconoscimento solo al completamento di un'espressione. Il riconoscimento degli eventi fornirà risultati intermedi soggetti a modifiche durante l'elaborazione di un flusso audio. Gli eventi riconosciuti forniranno il testo trascritto finale una volta completata l'elaborazione di un'espressione.

Riconoscimento dell'offset e della durata

È opportuno sincronizzare i sottotitoli con la traccia audio, sia in tempo reale che con audio preregistrato. Con l'evento Recognizing è possibile ottenere l'offset e la durata del parlato riconosciuto. L’offset e la durata per parola non sono disponibili mentre il riconoscimento è in corso. Ogni evento Recognizing viene fornito con una stima testuale del parlato riconosciuto finora.

Ad esempio, eseguire il comando seguente per ottenere l'offset e la durata del parlato riconosciuto:

spx recognize --file caption.this.mp4 --format any --output each file - @output.each.detailed

Poiché è stato impostato l'argomento @output.each.detailed, l'output include le intestazioni di colonna seguenti:

audio.input.id  event   event.sessionid result.reason   result.latency  result.text     result.json

Nella colonna result.json sono disponibili dettagli che includono l’offset e la durata degli eventiRecognizing e Recognized:

{
	"Id": "492574cd8555481a92c22f5ff757ef17",
	"RecognitionStatus": "Success",
	"DisplayText": "Welcome to applied Mathematics course 201.",
	"Offset": 1800000,
	"Duration": 30500000
}

Per altre informazioni vedere la configurazione dell'archivio dati dell'interfaccia della riga di comando di Voce e le opzioni di output .

Offset e durata di esempio

La tabella seguente mostra il potenziale offset e la durata in tick quando un altoparlante dice "Benvenuti al corso di matematica applicata 201". In questo esempio l'offset non cambia per tutti gli eventi Recognizing e Recognized. Tuttavia, non basarsi sul fatto che l'offset rimanga invariato tra gli eventi Recognizing e Recognized, poiché il risultato finale potrebbe essere diverso.

La durata totale della prima espressione è di 3,45 secondi. È stata riconosciuta nell'offset compreso tra 1,7 e 5,15 secondi dall'inizio del flusso audio riconosciuto (00:00:01.700 --> 00:00:05.150).

Se poi l'altoparlante continua a dire "Iniziamo", viene calcolato un nuovo offset dall'inizio del flusso audio riconosciuto all'inizio della nuova espressione. La tabella seguente mostra un potenziale offset e una durata per un'espressione iniziata due secondi dopo la fine dell'espressione precedente.

La durata totale della seconda espressione è di 2,06 secondi. È stata riconosciuta nell'offset compreso tra 7,15 e 9,21 secondi dall'inizio del flusso audio riconosciuto (00:00:07.150 --> 00:00:09.210).