Usar a API de Conversão de Fala em Texto do Azure

  • 5 minutos

O serviço de Fala do Azure dá suporte ao reconhecimento de fala por meio dos seguintes recursos:

  • Transcrição em tempo real: transcrição instantânea com resultados intermediários para entradas de áudio ao vivo.
  • Transcrição rápida: Saída síncrona mais rápida para situações com latência previsível.
  • Transcrição em lote: Processamento eficiente para grandes volumes de áudio pré-gravado.
  • Fala personalizada: Modelos com precisão aprimorada para domínios e condições específicos.

Usando o SDK de Fala do Azure

Embora os detalhes específicos variem, dependendo do SDK sendo usado (Python, C#e assim por diante); há um padrão consistente para usar a API de Fala para texto :

Um diagrama mostrando como um objeto SpeechRecognizer é criado a partir de um SpeechConfig e AudioConfig e seu método RecognizeOnceAsync é usado para chamar a API de Fala.

  1. Use um objeto SpeechConfig para encapsular as informações necessárias para se conectar ao recurso de Fala do Azure. Especificamente, sua localização e chave.
  2. Como alternativa, use um AudioConfig para definir a fonte de entrada para o áudio a ser transcrito. Por padrão, a entrada é o microfone padrão do sistema, mas você também pode especificar um arquivo de áudio.
  3. Utilize SpeechConfig e AudioConfig para criar um objeto SpeechRecognizer. Esse objeto é um cliente proxy para a API de Conversão de Fala em Texto .
  4. Use os métodos do objeto SpeechRecognizer para chamar as funções de API subjacentes. Por exemplo, o método RecognizeOnceAsync() usa o serviço de Fala do Azure para transcrever de forma assíncrona um único enunciado falado.
  5. Processe a resposta do serviço de Fala do Azure. No caso do método RecognizeOnceAsync(), o resultado é um objeto SpeechRecognitionResult que inclui as seguintes propriedades:
    • Duração
    • OffsetInTicks
    • Propriedades
    • Motivo
    • ResultId
    • Texto

Se a operação tiver sido bem-sucedida, a propriedade Reason terá o valor enumerado RecognizedSpeech e a propriedade Text conterá a transcrição. Outros valores possíveis para Resultado incluem NoMatch (indicando que o áudio foi analisado com êxito, mas nenhuma fala foi reconhecida) ou Cancelado, indicando que ocorreu um erro (nesse caso, você pode verificar a coleção Properties da propriedade CancellationReason para determinar o que deu errado).