什么是语音转文本？

Azure AI 语音服务提供高级语音转文本功能。 此功能支持实时和批量听录，为将音频流转换为文本提供了多种解决方案。

核心功能

语音转文本服务提供以下核心功能：

• 实时听录：对实时音频输入进行即时转录并得出中间结果。
• 快速听录：对于具有可预测延迟的情况，同步输出最快。
• 批量听录：高效处理大量预录制的音频。
• 自定义语音：针对特定领域和条件的具有增强准确性的模型。

实时语音转文本

实时语音转文本功能将从麦克风或文件中识别出的音频转录为文本。 这一功能非常适合需要立即听录的应用程序，例如：

• 现场会议的听录、辅助字幕或字幕：实时转录音频，以方便获取信息和保存记录。
• 分割：识别并区分音频中的不同发言人。
• 发音评估：评估发音准确性并提供反馈。
• 呼叫中心代理协助：提供实时听录以协助客户服务代表。
• 听写：将口语转录为书面文本以供记录。
• 语音代理：使交互式语音应答系统能够转录用户查询和命令。

可以通过语音 SDK、语音 CLI 和 REST API 访问实时语音转文本，因此该功能可以集成到各种应用程序和工作流中。 可以通过语音 SDK、语音 CLI 和 REST API（例如快速听录 API）实现实时语音转文本。

快速听录（预览版）

快速听录 API 用于听录音频文件，同步返回结果，速度比实时音频快。 在需要尽快获得音频录制脚本且可预测延迟的情况下使用快速听录，例如：

• 快速音频或视频听录和字幕：一次性快速获得整个视频或音频文件的听录。
• 视频翻译：如果有不同语言的音频，可立即为视频获取新的字幕。

若要开始使用快速听录，请参阅使用快速听录 API（预览版）。

批量听录 API

批量听录旨在听录存储在文件中的大量音频。 此方法以异步方式处理音频，适合以下场景：

• 预录制的音频的听录、辅助字幕或字幕：将存储的音频内容转换为文本。
• 联系中心呼叫后分析：分析通话录音以获取有价值的见解。
• 分割：在录制的音频中区分发言人。

可通过以下方式提供批量听录：

• 语音转文本 REST API：利用 RESTful 调用的灵活性促进开展批处理。 若要开始，请参阅如何使用批量听录和批量听录示例。

• 语音 CLI：支持实时和批量听录，轻松管理听录任务。 要获取有关批量听录的语音 CLI 帮助，请运行以下命令：

  spx help batch transcription
  

自定义语音

借助自定义语音，可以评估应用程序与产品的语音识别并提高其准确度。 自定义语音模型可用于实时语音转文本、语音翻译和批量听录。

现成的语音识别可利用通用语言模型作为一个基本模型（使用 Microsoft 自有数据进行训练），并反映常用的口语。 此基础模型使用了代表各常见地域的方言和发音进行了预先训练。 发出语音识别请求时，默认使用每个支持的语言的最新基础模型。 基础模型在大多数语音识别场景中都效果良好。

自定义语音支持定制语音识别模型，以更好地满足应用程序的特定需求。 这对于以下方面特别有用：

• 提升对特定领域词汇的识别：使用与你的领域相关的文本数据训练模型。
• 针对特定音频条件，提升准确性：使用带有参考听录的音频数据来完善模型。

有关自定义语音的更多信息，请参阅自定义语音概述和语音转文本 REST API 文档。

有关每种语言和区域设置的自定义选项的详细信息，请参阅文档语音服务的语言和语音支持。

用法示例

下面是如何使用 Azure AI 语音转文本的一些实际示例：

负责任 AI

AI 系统不仅包括技术，还包括使用它的人员、受其影响的人员以及部署它的环境。 阅读透明度说明，了解如何在系统中负责任地使用和部署 AI。

• 透明度说明和用例
• 特征和限制
• 集成和负责使用
• 数据、隐私和安全性

相关内容

• 语音转文本入门
• 创建批量听录
• 有关详细的定价信息，请访问语音服务定价页。