Guia de início rápido: criar legendas com conversão de fala em texto

Documentação de referência | Pacote (NuGet) | Exemplos adicionais no GitHub

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

O SDK de Fala está disponível como um pacote NuGet e implementa o .NET Standard 2.0. Você instalará o SDK de Fala posteriormente neste guia, mas primeiro verifique o guia de instalação do SDK para conhecer os demais requisitos.

Você também precisa instalar o GStreamer para entrada de áudio compactado.

Definir variáveis de ambiente

Você precisa autenticar seu aplicativo para acessar os serviços de IA do Azure. Este artigo mostra como usar variáveis de ambiente para armazenar suas credenciais. Em seguida, você poderá acessar as variáveis de ambiente do seu código para autenticar seu aplicativo. Para a produção, use um método mais seguro para armazenar e acessar suas credenciais.

Para definir a variável de ambiente da chave de recurso de Fala, abra uma janela do console e siga as instruções para o seu sistema operacional e o ambiente de desenvolvimento.

• Para definir a variável de ambiente SPEECH_KEY, substitua your-key por uma das chaves do recurso.
• Para definir a variável de ambiente SPEECH_REGION, substitua your-region por uma das regiões do recurso.

setx SPEECH_KEY your-key
setx SPEECH_REGION your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

Criar legendas da fala

Siga estas etapas para criar e executar o exemplo de código de início rápido de legendagem.

1. Copie os arquivos de exemplos scenarios/csharp/dotnetcore/captioning/ do GitHub. Se tiver o Git instalado, abra um prompt de comando e execute o comando git clone para baixar o repositório de exemplos do SDK de Fala.

   git clone https://github.com/Azure-Samples/cognitive-services-speech-sdk.git
   

2. Abra um prompt de comando e altere para o diretório do projeto.

   cd <your-local-path>/scenarios/csharp/dotnetcore/captioning/captioning/
   

3. Crie o projeto com a CLI do .NET.

   dotnet build
   

4. Execute o aplicativo com seus argumentos de linha de comando preferenciais. Confira o uso e os argumentos das opções disponíveis. Veja um exemplo:

   dotnet run --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
   

   Importante

   Verifique se os caminhos especificados por --input e --output são válidos. Caso contrário, altere os caminhos.

   Defina as variáveis de ambiente SPEECH_KEY e SPEECH_REGION conforme descrito acima. Caso contrário, use os argumentos --key e --region.

Verificar os resultados

Ao usar a opção realTime no exemplo acima, os resultados parciais dos eventos Recognizing serão incluídos na saída. Neste exemplo, somente o evento Recognized final inclui as vírgulas. As vírgulas não são as únicas diferenças entre os eventos Recognizing e Recognized. Para obter mais informações, consulte Obter resultados parciais.

1
00:00:00,170 --> 00:00:00,380
The

2
00:00:00,380 --> 00:00:01,770
The rainbow

3
00:00:01,770 --> 00:00:02,560
The rainbow has seven

4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors

5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red

6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange

7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow

8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green

9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.

Ao usar a opção --offline, os resultados serão estáveis a partir do eventoRecognized final. Os resultados parciais não são incluídos na saída:

1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,

2
00:00:05,540 --> 00:00:07,160
indigo and Violet.

O formato de saída do intervalo de horários do SRT (Texto SubRip) é hh:mm:ss,fff. Para obter mais informações, consulte Formato de saída da legenda.

Uso e argumentos

Uso: captioning --input <input file>

As opções de conexão incluem:

• --key: chave do recurso de Fala. Substitui a variável de ambiente SPEECH_KEY. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --key.
• --region REGION: região do recurso de Fala. Substitui a variável de ambiente SPEECH_REGION. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --region. Exemplos: westus, northeurope

As opções de entrada incluem:

• --input FILE: entrada de áudio de arquivo. A entrada padrão é o microfone.
• --format FORMAT: usar o formato de áudio compactado. Válido somente com --file. Os valores válidos são: alaw, any, flac, mp3, mulaw e ogg_opus. O valor padrão é any. Para usar um arquivo wav, não especifique o formato. Essa opção não está disponível com o exemplo de legendagem JavaScript. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.

As opções de idioma incluem:

• --language LANG: especifica um idioma usando uma das localidades com suporte correspondentes. Isso é usado ao interromper as legendas em linhas. O valor padrão é en-US.

As opções de reconhecimento incluem:

• --offline: saída de resultados offline. Substitui --realTime. O modo de saída padrão é offline.
• --realTime: saída de resultados em tempo real.

A saída em tempo real inclui resultados de eventos Recognizing. A saída offline padrão é somente resultados de eventos Recognized. Essas opções são sempre gravadas no console, nunca em um arquivo de saída. A opção --quiet substitui essa. Para obter mais informações, confira Obter resultados do reconhecimento de fala.

As opções de precisão incluem:

• --phrases PHRASE1;PHRASE2: você pode especificar uma lista de frases a serem reconhecidas, como Contoso;Jessie;Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

As opções de saída incluem:

• --help: mostrar esta ajuda e parar
• --output FILE: emitir as legendas para o file especificado. Este sinalizador é necessário.
• --srt: emitir as legendas no formato SRT (Texto SubRip). O formato padrão é WebVTT (Web Video Text Tracks). Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda.
• --maxLineLength LENGTH: definir o número máximo de caracteres por linha para uma legenda como LENGTH. O mínimo é 20. O padrão é 37 (30 para chinês).
• --lines LINES: definir o número de linhas de uma legenda para LINES. O mínimo é 1. O padrão é 2.
• --delay MILLISECONDS: quantos MILLISECONDS para atrasar a exibição de cada legenda, para simular uma experiência em tempo real. Essa opção será aplicável somente quando você usar o sinalizador realTime. O mínimo é 0.0. O padrão é 1000.
• --remainTime MILLISECONDS: quantos MILLISECONDS uma legenda deverá permanecer na tela se não for substituída por outra. O mínimo é 0.0. O padrão é 1000.
• --quiet: suprimir a saída do console, exceto erros.
• --profanity OPTION: valores válidos: bruto, remover, mascarar. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --threshold NUMBER: definir o limite de resultado parcial estável. O valor padrão é 3. Essa opção será aplicável somente quando você usar o sinalizador realTime. Para obter mais informações, confira os conceitos de Obter resultados parciais.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.

Documentação de referência | Pacote (NuGet) | Exemplos adicionais no GitHub

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

O SDK de Fala está disponível como um pacote NuGet e implementa o .NET Standard 2.0. Você instalará o SDK de Fala posteriormente neste guia, mas primeiro verifique o guia de instalação do SDK para conhecer os demais requisitos.

Você também precisa instalar o GStreamer para entrada de áudio compactado.

Definir variáveis de ambiente

Você precisa autenticar seu aplicativo para acessar os serviços de IA do Azure. Este artigo mostra como usar variáveis de ambiente para armazenar suas credenciais. Em seguida, você poderá acessar as variáveis de ambiente do seu código para autenticar seu aplicativo. Para a produção, use um método mais seguro para armazenar e acessar suas credenciais.

Para definir a variável de ambiente da chave de recurso de Fala, abra uma janela do console e siga as instruções para o seu sistema operacional e o ambiente de desenvolvimento.

• Para definir a variável de ambiente SPEECH_KEY, substitua your-key por uma das chaves do recurso.
• Para definir a variável de ambiente SPEECH_REGION, substitua your-region por uma das regiões do recurso.

setx SPEECH_KEY your-key
setx SPEECH_REGION your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

Criar legendas da fala

Siga essas etapas para criar e executar o exemplo de código de início rápido de legendagem com o Visual Studio Community 2022 no Windows.

1. Baixe ou copie os arquivos de exemplo scenarios/cpp/windows/captioning/ do GitHub em um diretório local.

2. Abra o arquivo de solução captioning.sln no Visual Studio Community 2022.

3. Instale o SDK de Fala no novo projeto com o gerenciador de pacotes NuGet.

   Install-Package Microsoft.CognitiveServices.Speech
   

4. Abra Projeto>Propriedades>Geral. Defina Configuração como All configurations. Defina Padrão de Linguagem C++ como ISO C++17 Standard (/std:c++17).

5. Abra Compilar>Configuration Manager.

   • Em uma instalação de Windows de 64 bits, defina a plataforma de solução ativa como x64.
   • Em uma instalação de Windows de 32 bits, defina a plataforma de solução ativa como x86.

6. Abra Projeto>Propriedades>Depuração. Insira os argumentos de linha de comando preferenciais em Argumentos de Comando. Confira o uso e os argumentos das opções disponíveis. Veja um exemplo:

   --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
   

   Importante

   Verifique se os caminhos especificados por --input e --output são válidos. Caso contrário, altere os caminhos.

   Defina as variáveis de ambiente SPEECH_KEY e SPEECH_REGION conforme descrito acima. Caso contrário, use os argumentos --key e --region.

7. Compile e execute o aplicativo de console.

Verificar os resultados

Ao usar a opção realTime no exemplo acima, os resultados parciais dos eventos Recognizing serão incluídos na saída. Neste exemplo, somente o evento Recognized final inclui as vírgulas. As vírgulas não são as únicas diferenças entre os eventos Recognizing e Recognized. Para obter mais informações, consulte Obter resultados parciais.

1
00:00:00,170 --> 00:00:00,380
The

2
00:00:00,380 --> 00:00:01,770
The rainbow

3
00:00:01,770 --> 00:00:02,560
The rainbow has seven

4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors

5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red

6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange

7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow

8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green

9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.

Ao usar a opção --offline, os resultados serão estáveis a partir do eventoRecognized final. Os resultados parciais não são incluídos na saída:

1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,

2
00:00:05,540 --> 00:00:07,160
indigo and Violet.

O formato de saída do intervalo de horários do SRT (Texto SubRip) é hh:mm:ss,fff. Para obter mais informações, consulte Formato de saída da legenda.

Uso e argumentos

Uso: captioning --input <input file>

As opções de conexão incluem:

• --key: chave do recurso de Fala. Substitui a variável de ambiente SPEECH_KEY. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --key.
• --region REGION: região do recurso de Fala. Substitui a variável de ambiente SPEECH_REGION. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --region. Exemplos: westus, northeurope

As opções de entrada incluem:

• --input FILE: entrada de áudio de arquivo. A entrada padrão é o microfone.
• --format FORMAT: usar o formato de áudio compactado. Válido somente com --file. Os valores válidos são: alaw, any, flac, mp3, mulaw e ogg_opus. O valor padrão é any. Para usar um arquivo wav, não especifique o formato. Essa opção não está disponível com o exemplo de legendagem JavaScript. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.

As opções de idioma incluem:

• --language LANG: especifica um idioma usando uma das localidades com suporte correspondentes. Isso é usado ao interromper as legendas em linhas. O valor padrão é en-US.

As opções de reconhecimento incluem:

• --offline: saída de resultados offline. Substitui --realTime. O modo de saída padrão é offline.
• --realTime: saída de resultados em tempo real.

A saída em tempo real inclui resultados de eventos Recognizing. A saída offline padrão é somente resultados de eventos Recognized. Essas opções são sempre gravadas no console, nunca em um arquivo de saída. A opção --quiet substitui essa. Para obter mais informações, confira Obter resultados do reconhecimento de fala.

As opções de precisão incluem:

• --phrases PHRASE1;PHRASE2: você pode especificar uma lista de frases a serem reconhecidas, como Contoso;Jessie;Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

As opções de saída incluem:

• --help: mostrar esta ajuda e parar
• --output FILE: emitir as legendas para o file especificado. Este sinalizador é necessário.
• --srt: emitir as legendas no formato SRT (Texto SubRip). O formato padrão é WebVTT (Web Video Text Tracks). Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda.
• --maxLineLength LENGTH: definir o número máximo de caracteres por linha para uma legenda como LENGTH. O mínimo é 20. O padrão é 37 (30 para chinês).
• --lines LINES: definir o número de linhas de uma legenda para LINES. O mínimo é 1. O padrão é 2.
• --delay MILLISECONDS: quantos MILLISECONDS para atrasar a exibição de cada legenda, para simular uma experiência em tempo real. Essa opção será aplicável somente quando você usar o sinalizador realTime. O mínimo é 0.0. O padrão é 1000.
• --remainTime MILLISECONDS: quantos MILLISECONDS uma legenda deverá permanecer na tela se não for substituída por outra. O mínimo é 0.0. O padrão é 1000.
• --quiet: suprimir a saída do console, exceto erros.
• --profanity OPTION: valores válidos: bruto, remover, mascarar. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --threshold NUMBER: definir o limite de resultado parcial estável. O valor padrão é 3. Essa opção será aplicável somente quando você usar o sinalizador realTime. Para obter mais informações, confira os conceitos de Obter resultados parciais.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.

Documentação de referência | Pacote (Go) | Amostras adicionais no GitHub

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

Verifique se há etapas de instalação específicas da plataforma.

Você também precisa instalar o GStreamer para entrada de áudio compactado.

Criar legendas da fala

Siga estas etapas para criar e executar o exemplo de código de início rápido de legendagem.

1. Baixe ou copie os arquivos de exemplo scenarios/go/captioning/ do GitHub em um diretório local.

2. Abra um prompt de comando no mesmo diretório que o captioning.go.

3. Execute os seguintes comandos para criar um arquivo go.mod vinculado aos componentes do SDK de Fala hospedados no GitHub:

   go mod init captioning
   go get github.com/Microsoft/cognitive-services-speech-sdk-go
   

4. Crie o módulo GO.

   go build
   

5. Execute o aplicativo com seus argumentos de linha de comando preferenciais. Confira o uso e os argumentos das opções disponíveis. Veja um exemplo:

   go run captioning --key YourSubscriptionKey --region YourServiceRegion --input caption.this.mp4 --format any --output caption.output.txt --srt --recognizing --threshold 5 --profanity mask --phrases "Contoso;Jessie;Rehaan"
   

   Substitua YourSubscriptionKey pela chave do recurso de Fala e substitua YourServiceRegion pela região do recurso de Fala, como westus ou northeurope. Verifique se os caminhos especificados por --input e --output são válidos. Caso contrário, altere os caminhos.

   Importante

   Lembre-se de remover a chave do seu código quando terminar e nunca poste-a publicamente. Para produção, use uma maneira segura de armazenar e acessar suas credenciais, como o Azure Key Vault. Consulte o artigo sobre segurança do serviços de IA do Azure para obter mais informações.

Verificar os resultados

O arquivo de saída com legendas completas é gravado em caption.output.txt. Os resultados intermediários são mostrados no console:

00:00:00,180 --> 00:00:01,600
Welcome to

00:00:00,180 --> 00:00:01,820
Welcome to applied

00:00:00,180 --> 00:00:02,420
Welcome to applied mathematics

00:00:00,180 --> 00:00:02,930
Welcome to applied mathematics course

00:00:00,180 --> 00:00:03,100
Welcome to applied Mathematics course 2

00:00:00,180 --> 00:00:03,230
Welcome to applied Mathematics course 201.

O formato de saída do intervalo de horários do SRT (Texto SubRip) é hh:mm:ss,fff. Para obter mais informações, consulte Formato de saída da legenda.

Uso e argumentos

Uso: go run captioning.go helper.go --key <key> --region <region> --input <input file>

As opções de conexão incluem:

• --key: chave do recurso de Fala.
• --region REGION: região do recurso de Fala. Exemplos: westus, northeurope

As opções de entrada incluem:

• --input FILE: entrada de áudio de arquivo. A entrada padrão é o microfone.
• --format FORMAT: usar o formato de áudio compactado. Válido somente com --file. Os valores válidos são: alaw, any, flac, mp3, mulaw e ogg_opus. O valor padrão é any. Para usar um arquivo wav, não especifique o formato. Essa opção não está disponível com o exemplo de legendagem JavaScript. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.

As opções de idioma incluem:

• --languages LANG1,LANG2: habilitar a identificação de idiomas especificados. Por exemplo: en-US,ja-JP. Essa opção só está disponível com os exemplos de legendagem C++, C# e Python. Para obter mais informações, confira Identificação de idioma.

As opções de reconhecimento incluem:

• --recognizing: emitir os resultados do evento Recognizing. A saída padrão é somente os resultados do evento Recognized. Essas opções são sempre gravadas no console, nunca em um arquivo de saída. A opção --quiet substitui essa. Para obter mais informações, confira Obter resultados do reconhecimento de fala.

As opções de precisão incluem:

• --phrases PHRASE1;PHRASE2: você pode especificar uma lista de frases a serem reconhecidas, como Contoso;Jessie;Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

As opções de saída incluem:

• --help: mostrar esta ajuda e parar
• --output FILE: emitir as legendas para o file especificado. Este sinalizador é necessário.
• --srt: emitir as legendas no formato SRT (Texto SubRip). O formato padrão é WebVTT (Web Video Text Tracks). Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda.
• --quiet: suprimir a saída do console, exceto erros.
• --profanity OPTION: valores válidos: bruto, remover, mascarar. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --threshold NUMBER: definir o limite de resultado parcial estável. O valor padrão é 3. Para obter mais informações, confira os conceitos de Obter resultados parciais.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.

Documentação de referência | Exemplos adicionais no GitHub

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

Antes de realizar qualquer ação, será necessário instalar o SDK de Fala. O exemplo neste início rápido funciona com o Microsoft Build do OpenJDK 17

1. Instale o Apache Maven. Em seguida, execute mvn -v para confirmar a instalação bem-sucedida.
2. Crie um arquivo pom.xml na raiz do projeto e copie nele o seguinte:

   <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
       <modelVersion>4.0.0</modelVersion>
       <groupId>com.microsoft.cognitiveservices.speech.samples</groupId>
       <artifactId>quickstart-eclipse</artifactId>
       <version>1.0.0-SNAPSHOT</version>
       <build>
           <sourceDirectory>src</sourceDirectory>
           <plugins>
           <plugin>
               <artifactId>maven-compiler-plugin</artifactId>
               <version>3.7.0</version>
               <configuration>
               <source>1.8</source>
               <target>1.8</target>
               </configuration>
           </plugin>
           </plugins>
       </build>
       <dependencies>
           <dependency>
           <groupId>com.microsoft.cognitiveservices.speech</groupId>
           <artifactId>client-sdk</artifactId>
           <version>1.40.0</version>
           </dependency>
       </dependencies>
   </project>
   

3. Instale o SDK de Fala e as dependências.

   mvn clean dependency:copy-dependencies
   

4. Você também precisa instalar o GStreamer para entrada de áudio compactado.

Definir variáveis de ambiente

Você precisa autenticar seu aplicativo para acessar os serviços de IA do Azure. Este artigo mostra como usar variáveis de ambiente para armazenar suas credenciais. Em seguida, você poderá acessar as variáveis de ambiente do seu código para autenticar seu aplicativo. Para a produção, use um método mais seguro para armazenar e acessar suas credenciais.

Para definir a variável de ambiente da chave de recurso de Fala, abra uma janela do console e siga as instruções para o seu sistema operacional e o ambiente de desenvolvimento.

• Para definir a variável de ambiente SPEECH_KEY, substitua your-key por uma das chaves do recurso.
• Para definir a variável de ambiente SPEECH_REGION, substitua your-region por uma das regiões do recurso.

setx SPEECH_KEY your-key
setx SPEECH_REGION your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

Criar legendas da fala

Siga estas etapas para criar e executar o exemplo de código de início rápido de legendagem.

1. Copie os arquivos de exemplo scenarios/java/jre/captioning/ do GitHub para o diretório do projeto. O arquivo pom.xml que você criou na configuração do ambiente também precisa estar nesse diretório.
2. Abra um prompt de comando e execute este comando para compilar os arquivos de projeto.

   javac Captioning.java -cp ".;target\dependency\*" -encoding UTF-8
   

3. Execute o aplicativo com seus argumentos de linha de comando preferenciais. Confira o uso e os argumentos das opções disponíveis. Veja um exemplo:

   java -cp ".;target\dependency\*" Captioning --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
   

   Importante

   Verifique se os caminhos especificados por --input e --output são válidos. Caso contrário, altere os caminhos.

   Defina as variáveis de ambiente SPEECH_KEY e SPEECH_REGION conforme descrito acima. Caso contrário, use os argumentos --key e --region.

Verificar os resultados

Ao usar a opção realTime no exemplo acima, os resultados parciais dos eventos Recognizing serão incluídos na saída. Neste exemplo, somente o evento Recognized final inclui as vírgulas. As vírgulas não são as únicas diferenças entre os eventos Recognizing e Recognized. Para obter mais informações, consulte Obter resultados parciais.

1
00:00:00,170 --> 00:00:00,380
The

2
00:00:00,380 --> 00:00:01,770
The rainbow

3
00:00:01,770 --> 00:00:02,560
The rainbow has seven

4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors

5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red

6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange

7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow

8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green

9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.

Ao usar a opção --offline, os resultados serão estáveis a partir do eventoRecognized final. Os resultados parciais não são incluídos na saída:

1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,

2
00:00:05,540 --> 00:00:07,160
indigo and Violet.

O formato de saída do intervalo de horários do SRT (Texto SubRip) é hh:mm:ss,fff. Para obter mais informações, consulte Formato de saída da legenda.

Uso e argumentos

Uso: java -cp ".;target\dependency\*" Captioning --input <input file>

As opções de conexão incluem:

• --key: chave do recurso de Fala. Substitui a variável de ambiente SPEECH_KEY. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --key.
• --region REGION: região do recurso de Fala. Substitui a variável de ambiente SPEECH_REGION. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --region. Exemplos: westus, northeurope

As opções de entrada incluem:

• --input FILE: entrada de áudio de arquivo. A entrada padrão é o microfone.
• --format FORMAT: usar o formato de áudio compactado. Válido somente com --file. Os valores válidos são: alaw, any, flac, mp3, mulaw e ogg_opus. O valor padrão é any. Para usar um arquivo wav, não especifique o formato. Essa opção não está disponível com o exemplo de legendagem JavaScript. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.

As opções de idioma incluem:

• --language LANG: especifica um idioma usando uma das localidades com suporte correspondentes. Isso é usado ao interromper as legendas em linhas. O valor padrão é en-US.

As opções de reconhecimento incluem:

• --offline: saída de resultados offline. Substitui --realTime. O modo de saída padrão é offline.
• --realTime: saída de resultados em tempo real.

A saída em tempo real inclui resultados de eventos Recognizing. A saída offline padrão é somente resultados de eventos Recognized. Essas opções são sempre gravadas no console, nunca em um arquivo de saída. A opção --quiet substitui essa. Para obter mais informações, confira Obter resultados do reconhecimento de fala.

As opções de precisão incluem:

• --phrases PHRASE1;PHRASE2: você pode especificar uma lista de frases a serem reconhecidas, como Contoso;Jessie;Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

As opções de saída incluem:

• --help: mostrar esta ajuda e parar
• --output FILE: emitir as legendas para o file especificado. Este sinalizador é necessário.
• --srt: emitir as legendas no formato SRT (Texto SubRip). O formato padrão é WebVTT (Web Video Text Tracks). Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda.
• --maxLineLength LENGTH: definir o número máximo de caracteres por linha para uma legenda como LENGTH. O mínimo é 20. O padrão é 37 (30 para chinês).
• --lines LINES: definir o número de linhas de uma legenda para LINES. O mínimo é 1. O padrão é 2.
• --delay MILLISECONDS: quantos MILLISECONDS para atrasar a exibição de cada legenda, para simular uma experiência em tempo real. Essa opção será aplicável somente quando você usar o sinalizador realTime. O mínimo é 0.0. O padrão é 1000.
• --remainTime MILLISECONDS: quantos MILLISECONDS uma legenda deverá permanecer na tela se não for substituída por outra. O mínimo é 0.0. O padrão é 1000.
• --quiet: suprimir a saída do console, exceto erros.
• --profanity OPTION: valores válidos: bruto, remover, mascarar. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --threshold NUMBER: definir o limite de resultado parcial estável. O valor padrão é 3. Essa opção será aplicável somente quando você usar o sinalizador realTime. Para obter mais informações, confira os conceitos de Obter resultados parciais.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.

Documentação de referência | Pacote (npm) | Exemplos adicionais no GitHub | Código-fonte da biblioteca

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

Para fazer qualquer coisa, instale o SDK de Fala para JavaScript. Se você quiser apenas o nome do pacote a ser instalado, execute npm install microsoft-cognitiveservices-speech-sdk. Para obter instruções de instalação guiadas, confira o Guia de instalação do SDK.

Criar legendas da fala

Siga estas etapas para criar e executar o exemplo de código de início rápido de legendagem.

1. Copie os arquivos de exemplo scenarios/javascript/node/captioning/ do GitHub para o diretório do projeto.

2. Abra um prompt de comando no mesmo diretório que o Captioning.js.

3. Instale o SDK de Fala para JavaScript:

   npm install microsoft-cognitiveservices-speech-sdk
   

4. Execute o aplicativo com seus argumentos de linha de comando preferenciais. Confira o uso e os argumentos das opções disponíveis. Veja um exemplo:

   node captioning.js --key YourSubscriptionKey --region YourServiceRegion --input caption.this.wav --output caption.output.txt --srt --recognizing --threshold 5 --profanity mask --phrases "Contoso;Jessie;Rehaan"
   

   Substitua YourSubscriptionKey pela chave do recurso de Fala e substitua YourServiceRegion pela região do recurso de Fala, como westus ou northeurope. Verifique se os caminhos especificados por --input e --output são válidos. Caso contrário, altere os caminhos.

   Observação

   O SDK de Fala para JavaScript não dá suporte o áudio de entrada compactado. Você precisa usar um arquivo WAV, como é mostrado no exemplo.

   Importante

   Lembre-se de remover a chave do seu código quando terminar e nunca poste-a publicamente. Para produção, use uma maneira segura de armazenar e acessar suas credenciais, como o Azure Key Vault. Consulte o artigo sobre segurança do serviços de IA do Azure para obter mais informações.

Verificar os resultados

O arquivo de saída com legendas completas é gravado em caption.output.txt. Os resultados intermediários são mostrados no console:

00:00:00,180 --> 00:00:01,600
Welcome to

00:00:00,180 --> 00:00:01,820
Welcome to applied

00:00:00,180 --> 00:00:02,420
Welcome to applied mathematics

00:00:00,180 --> 00:00:02,930
Welcome to applied mathematics course

00:00:00,180 --> 00:00:03,100
Welcome to applied Mathematics course 2

00:00:00,180 --> 00:00:03,230
Welcome to applied Mathematics course 201.

O formato de saída do intervalo de horários do SRT (Texto SubRip) é hh:mm:ss,fff. Para obter mais informações, consulte Formato de saída da legenda.

Uso e argumentos

Uso: node captioning.js --key <key> --region <region> --input <input file>

As opções de conexão incluem:

• --key: chave do recurso de Fala.
• --region REGION: região do recurso de Fala. Exemplos: westus, northeurope

As opções de entrada incluem:

• --input FILE: entrada de áudio de arquivo. A entrada padrão é o microfone.
• --format FORMAT: usar o formato de áudio compactado. Válido somente com --file. Os valores válidos são: alaw, any, flac, mp3, mulaw e ogg_opus. O valor padrão é any. Para usar um arquivo wav, não especifique o formato. Essa opção não está disponível com o exemplo de legendagem JavaScript. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.

As opções de idioma incluem:

• --languages LANG1,LANG2: habilitar a identificação de idiomas especificados. Por exemplo: en-US,ja-JP. Essa opção só está disponível com os exemplos de legendagem C++, C# e Python. Para obter mais informações, confira Identificação de idioma.

As opções de reconhecimento incluem:

• --recognizing: emitir os resultados do evento Recognizing. A saída padrão é somente os resultados do evento Recognized. Essas opções são sempre gravadas no console, nunca em um arquivo de saída. A opção --quiet substitui essa. Para obter mais informações, confira Obter resultados do reconhecimento de fala.

As opções de precisão incluem:

• --phrases PHRASE1;PHRASE2: você pode especificar uma lista de frases a serem reconhecidas, como Contoso;Jessie;Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

As opções de saída incluem:

• --help: mostrar esta ajuda e parar
• --output FILE: emitir as legendas para o file especificado. Este sinalizador é necessário.
• --srt: emitir as legendas no formato SRT (Texto SubRip). O formato padrão é WebVTT (Web Video Text Tracks). Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda.
• --quiet: suprimir a saída do console, exceto erros.
• --profanity OPTION: valores válidos: bruto, remover, mascarar. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --threshold NUMBER: definir o limite de resultado parcial estável. O valor padrão é 3. Para obter mais informações, confira os conceitos de Obter resultados parciais.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.

Documentação de referência | Pacote (download) | Amostras adicionais no GitHub

O SDK de Fala para Objective-C dá suporte a obtenção de resultados de legendagem do reconhecimento de fala, mas ainda não incluímos um guia aqui. Selecione outra linguagem de programação para começar e saber mais sobre os conceitos ou confira a referência e exemplos em Objective-C vinculados no início deste artigo.

Documentação de referência | Pacote (download) | Amostras adicionais no GitHub

O SDK de Fala para Swift dá suporte a obtenção de resultados de legendagem do reconhecimento de fala, mas ainda não incluímos um guia aqui. Selecione outra linguagem de programação para começar e saber mais sobre os conceitos ou confira a referência e exemplos em Swift vinculados no início deste artigo.

Documentação de referência | Pacote (PyPi) | Amostras adicionais no GitHub

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

O SDK de fala para Python está disponível como um módulo PyPI (índice de pacote do Python). O SDK de Fala para Python é compatível com Windows, Linux e macOS.

• Você precisa instalar os Pacotes Redistribuíveis do Microsoft Visual C++ para Visual Studio 2015, 2017, 2019 ou 2022 na sua plataforma. Quando você instalar esse pacote pela primeira vez, poderá ser necessária uma reinicialização.
• No Linux, você deve usar a arquitetura de destino x64.

1. Instale uma versão do Python a partir da versão 3.10 ou posterior. Primeiro, verifique o Guia de instalação do SDK para conhecer os demais requisitos
2. Você também precisa instalar o GStreamer para entrada de áudio compactado.

Definir variáveis de ambiente

Você precisa autenticar seu aplicativo para acessar os serviços de IA do Azure. Este artigo mostra como usar variáveis de ambiente para armazenar suas credenciais. Em seguida, você poderá acessar as variáveis de ambiente do seu código para autenticar seu aplicativo. Para a produção, use um método mais seguro para armazenar e acessar suas credenciais.

Para definir a variável de ambiente da chave de recurso de Fala, abra uma janela do console e siga as instruções para o seu sistema operacional e o ambiente de desenvolvimento.

• Para definir a variável de ambiente SPEECH_KEY, substitua your-key por uma das chaves do recurso.
• Para definir a variável de ambiente SPEECH_REGION, substitua your-region por uma das regiões do recurso.

setx SPEECH_KEY your-key
setx SPEECH_REGION your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

export SPEECH_KEY=your-key
export SPEECH_REGION=your-region

Criar legendas da fala

Siga estas etapas para criar e executar o exemplo de código de início rápido de legendagem.

1. Baixe ou copie os arquivos de exemplo scenarios/python/console/captioning/ do GitHub em um diretório local.
2. Abra um prompt de comando no mesmo diretório que o captioning.py.
3. Execute este comando para instalar o SDK de Fala:

   pip install azure-cognitiveservices-speech
   

4. Execute o aplicativo com seus argumentos de linha de comando preferenciais. Confira o uso e os argumentos das opções disponíveis. Veja um exemplo:

   python captioning.py --input caption.this.mp4 --format any --output caption.output.txt --srt --realTime --threshold 5 --delay 0 --profanity mask --phrases "Contoso;Jessie;Rehaan"
   

   Importante

   Verifique se os caminhos especificados por --input e --output são válidos. Caso contrário, altere os caminhos.

   Defina as variáveis de ambiente SPEECH_KEY e SPEECH_REGION conforme descrito acima. Caso contrário, use os argumentos --key e --region.

Verificar os resultados

Ao usar a opção realTime no exemplo acima, os resultados parciais dos eventos Recognizing serão incluídos na saída. Neste exemplo, somente o evento Recognized final inclui as vírgulas. As vírgulas não são as únicas diferenças entre os eventos Recognizing e Recognized. Para obter mais informações, consulte Obter resultados parciais.

1
00:00:00,170 --> 00:00:00,380
The

2
00:00:00,380 --> 00:00:01,770
The rainbow

3
00:00:01,770 --> 00:00:02,560
The rainbow has seven

4
00:00:02,560 --> 00:00:03,820
The rainbow has seven colors

5
00:00:03,820 --> 00:00:05,050
The rainbow has seven colors red

6
00:00:05,050 --> 00:00:05,850
The rainbow has seven colors red
orange

7
00:00:05,850 --> 00:00:06,440
The rainbow has seven colors red
orange yellow

8
00:00:06,440 --> 00:00:06,730
The rainbow has seven colors red
orange yellow green

9
00:00:06,730 --> 00:00:07,160
orange, yellow, green, blue,
indigo and Violet.

Ao usar a opção --offline, os resultados serão estáveis a partir do eventoRecognized final. Os resultados parciais não são incluídos na saída:

1
00:00:00,170 --> 00:00:05,540
The rainbow has seven colors, red,
orange, yellow, green, blue,

2
00:00:05,540 --> 00:00:07,160
indigo and Violet.

O formato de saída do intervalo de horários do SRT (Texto SubRip) é hh:mm:ss,fff. Para obter mais informações, consulte Formato de saída da legenda.

Uso e argumentos

Uso: python captioning.py --input <input file>

As opções de conexão incluem:

• --key: chave do recurso de Fala. Substitui a variável de ambiente SPEECH_KEY. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --key.
• --region REGION: região do recurso de Fala. Substitui a variável de ambiente SPEECH_REGION. Será necessário definir a variável de ambiente (recomendada) ou usar a opção --region. Exemplos: westus, northeurope

As opções de entrada incluem:

• --input FILE: entrada de áudio de arquivo. A entrada padrão é o microfone.
• --format FORMAT: usar o formato de áudio compactado. Válido somente com --file. Os valores válidos são: alaw, any, flac, mp3, mulaw e ogg_opus. O valor padrão é any. Para usar um arquivo wav, não especifique o formato. Essa opção não está disponível com o exemplo de legendagem JavaScript. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.

As opções de idioma incluem:

• --language LANG: especifica um idioma usando uma das localidades com suporte correspondentes. Isso é usado ao interromper as legendas em linhas. O valor padrão é en-US.

As opções de reconhecimento incluem:

• --offline: saída de resultados offline. Substitui --realTime. O modo de saída padrão é offline.
• --realTime: saída de resultados em tempo real.

A saída em tempo real inclui resultados de eventos Recognizing. A saída offline padrão é somente resultados de eventos Recognized. Essas opções são sempre gravadas no console, nunca em um arquivo de saída. A opção --quiet substitui essa. Para obter mais informações, confira Obter resultados do reconhecimento de fala.

As opções de precisão incluem:

• --phrases PHRASE1;PHRASE2: você pode especificar uma lista de frases a serem reconhecidas, como Contoso;Jessie;Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

As opções de saída incluem:

• --help: mostrar esta ajuda e parar
• --output FILE: emitir as legendas para o file especificado. Este sinalizador é necessário.
• --srt: emitir as legendas no formato SRT (Texto SubRip). O formato padrão é WebVTT (Web Video Text Tracks). Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda.
• --maxLineLength LENGTH: definir o número máximo de caracteres por linha para uma legenda como LENGTH. O mínimo é 20. O padrão é 37 (30 para chinês).
• --lines LINES: definir o número de linhas de uma legenda para LINES. O mínimo é 1. O padrão é 2.
• --delay MILLISECONDS: quantos MILLISECONDS para atrasar a exibição de cada legenda, para simular uma experiência em tempo real. Essa opção será aplicável somente quando você usar o sinalizador realTime. O mínimo é 0.0. O padrão é 1000.
• --remainTime MILLISECONDS: quantos MILLISECONDS uma legenda deverá permanecer na tela se não for substituída por outra. O mínimo é 0.0. O padrão é 1000.
• --quiet: suprimir a saída do console, exceto erros.
• --profanity OPTION: valores válidos: bruto, remover, mascarar. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --threshold NUMBER: definir o limite de resultado parcial estável. O valor padrão é 3. Essa opção será aplicável somente quando você usar o sinalizador realTime. Para obter mais informações, confira os conceitos de Obter resultados parciais.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.

Neste guia de início rápido, você vai executar um aplicativo de console para criar legendas com a conversão de fala em texto.

Pré-requisitos

Configurar o ambiente

Siga estas etapas e consulte o início rápido da CLI de Fala para obter outros requisitos para sua plataforma.

1. Execute o seguinte comando da CLI do .NET para instalar a CLI de Fala:

   dotnet tool install --global Microsoft.CognitiveServices.Speech.CLI
   

2. Execute os comandos a seguir para configurar a chave e a região do recurso Fala. Substitua SUBSCRIPTION-KEY pela sua chave do recurso de Fala e substitua REGION pela sua região do recurso de Fala.

   • Terminal
   • PowerShell

   spx config @key --set SUBSCRIPTION-KEY
   spx config @region --set REGION
   

Você também precisa instalar o GStreamer para entrada de áudio compactado.

Criar legendas da fala

Com a CLI de Fala, você pode emitir legendas SRT (Texto SubRip) e WebVTT (Web Video Text Tracks) de qualquer tipo de mídia que contenha áudio.

Para reconhecer o áudio de um arquivo e emitir legendas WebVTT (vtt) e SRT (srt), siga estas etapas.

1. Verifique se você tem um arquivo de entrada chamado caption.this.mp4 no caminho.

2. Execute o seguinte comando para gerar legendas do arquivo de vídeo:

   spx recognize --file caption.this.mp4 --format any --output vtt file - --output srt file - --output each file - @output.each.detailed --property SpeechServiceResponse_StablePartialResultThreshold=5 --profanity masked --phrases "Constoso;Jessie;Rehaan"
   

   As legendas SRT e WebVTT são emitidas no console, conforme é mostrado aqui:

   1
   00:00:00,180 --> 00:00:03,230
   Welcome to applied Mathematics course 201.
   WEBVTT
   
   00:00:00.180 --> 00:00:03.230
   Welcome to applied Mathematics course 201.
   {
     "ResultId": "561a0ea00cc14bb09bd294357df3270f",
     "Duration": "00:00:03.0500000"
   }
   

Uso e argumentos

Veja detalhes sobre os argumentos opcionais do comando anterior:

• --file caption.this.mp4 --format any: entrada de áudio de arquivo. A entrada padrão é o microfone. Para arquivos de áudio compactados, como MP4, instale o GStreamer e confira Como usar uma entrada de áudio compactado.
• --output vtt file - e --output srt file -: emite legendas WebVTT e SRT para a saída padrão. Para obter mais informações sobre formatos de arquivo de legenda SRT e WebVTT, confira Formato de saída de legenda. Para obter mais informações sobre o argumento --output, confira as opções de saída da CLI de Fala.
• @output.each.detailed: emite os resultados do eventos com texto, deslocamento e duração. Para obter mais informações, confira Obter resultados do reconhecimento de fala.
• --property SpeechServiceResponse_StablePartialResultThreshold=5: você pode solicitar que o serviço de Fala retorne menos eventos Recognizing que sejam mais precisos. Neste exemplo, o serviço de Fala precisa afirmar o reconhecimento de uma palavra pelo menos cinco vezes antes de retornar os resultados parciais para você. Para obter mais informações, confira os conceitos de Obter resultados parciais.
• --profanity masked: você pode especificar se quer mascarar, remover ou mostrar profanação nos resultados do reconhecimento. Para obter mais informações, confira os conceitos de Filtro de profanação.
• --phrases "Constoso;Jessie;Rehaan": você pode especificar uma lista de frases a serem reconhecidas, como Contoso, Jessie e Rehaan. Para obter mais informações, confira Aprimorar o reconhecimento com a lista de frases.

Limpar os recursos

Você pode usar o portal do Azure ou a CLI (interface de linha de comando) do Azure para remover o recurso de fala que você criou.