Настройте идентификацию языка и диаризацию для транскрипции речи

В этом руководстве показан единый подход к конфигурации идентификации языка (LID) и диаризации говорящих для преобразования речи в текст в реальном времени, перевода речи, быстрой транскрипции и пакетной транскрипции. В ней основное внимание уделяется двум общим шаблонам сбоев:

• Использование определения языка по умолчанию без ограничения возможных локалей.
• Ожидаются метки говорящих без явного включения функции диаризации.

Свойства запроса и ответа отличаются по рабочей нагрузке. Используйте это руководство вместе со статьями для конкретной рабочей нагрузки, ссылки на которые приведены в разделе Связанные материалы.

Необходимые условия

• Ресурс Microsoft Foundry для службы "Речь".
• Поддерживаемый регион "Речь".
• Для примеров SDK: одна из поддерживаемых конфигураций SDK:
  • Speech SDK для преобразования речи в текст и перевода речи в реальном времени.
  • SDK для быстрой транскрипции речи.
• Тестирование звука, представляющего условия рабочей среды, в том числе:
  • Короткие речевые фрагменты.
  • Фоновый шум.
  • Ожидаемое количество докладчиков.

Проверьте поддерживаемые локали, прежде чем настраивать запросы

Используйте эти списки локалей перед тем, как задать candidateLocales, locales или фиксированную исходную локаль:

• Локали определения языка
• Языковые стандарты преобразования речи в текст
• Языковые параметры перевода речи

Многоязычная модель Fast Transcription поддерживает отдельный набор языковых стандартов. Проверьте таблицу языков, поддерживаемых функцией преобразования речи в текст, прежде чем пропустить locales. Если языковой стандарт звука не поддерживается этой моделью, укажите фиксированный поддерживаемый языковой стандарт.

Настройка определения языка для преобразования речи в текст в режиме реального времени или перевода речи (SDK)

Чтобы получить полное представление о возможностях SDK для AutoDetectSourceLanguageConfig преобразования речи в текст и перевода речи в реальном времени, включая все поддерживаемые языки, режимы при запуске и непрерывные режимы, а также сопоставление пользовательских моделей, см. раздел Реализация идентификации языка.

Ключевые моменты при сочетании LID с диаризацией или офлайн-транскрипцией:

• Укажите список возможных языков, если вы знаете, какие языки наиболее вероятны. Более компактный и точный набор кандидатов может улучшить распознавание, особенно для короткого или зашумлённого аудио.
• Не включайте более одной локали для одного базового языка (например, используйте en-US или en-GB, но не обе сразу).
• Если AutoDetectSourceLanguageResult.Language возвращает пустое или непредвиденное значение, не используйте автоопределение и задайте фиксированное значение SpeechRecognitionLanguage вместо этого.

Для перевода речи считывает обнаруженный язык из PropertyId.SpeechServiceConnection_AutoDetectSourceLanguageResult результата распознавания, а не из SpeechRecognitionLanguage. Последний является обязательным заполнителем, но в настоящее время игнорируется службой при активном автоматическом обнаружении.

Следующий шаблон позволяет идентификации языка-кандидата для распознавания речи в режиме реального времени в тексте. Используйте тот же шаблон AutoDetectSourceLanguageConfig при переводе речи и считывайте обнаруженный язык из описанного выше свойства конкретного результата.

using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;

var speechConfig = SpeechConfig.FromEndpoint(
  new Uri("YourSpeechEndpoint"), "YourSpeechKey");
var autoDetectConfig = AutoDetectSourceLanguageConfig.FromLanguages(
  new[] { "en-US", "es-ES", "fr-FR" });

using var audioConfig = AudioConfig.FromWavFileInput("sample.wav");
using var recognizer = new SpeechRecognizer(
  speechConfig, autoDetectConfig, audioConfig);
var result = await recognizer.RecognizeOnceAsync();
var detectedLanguage = AutoDetectSourceLanguageResult
  .FromResult(result).Language;
Console.WriteLine($"Detected language: {detectedLanguage}");

Справочник: AutoDetectSourceLanguageConfig, AutoDetectSourceLanguageResult

Настройка диаризации в режиме реального времени (SDK)

Диаризация динамиков в режиме реального времени не включена по умолчанию. Используйте ConversationTranscriber, включите свойство результата диаризации, если требуются промежуточные метки, и убедитесь, что SpeakerId присутствует в событиях Transcribing или Transcribed. Диаризация в режиме реального времени и автономная диаризация имеют разные свойства запроса и ответа.

using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;
using Microsoft.CognitiveServices.Speech.Transcription;

string endpoint = Environment.GetEnvironmentVariable("ENDPOINT");
string key = Environment.GetEnvironmentVariable("SPEECH_KEY");

var speechConfig = SpeechConfig.FromEndpoint(new Uri(endpoint), key);
speechConfig.SpeechRecognitionLanguage = "en-US";
speechConfig.SetProperty(
    PropertyId.SpeechServiceResponse_DiarizeIntermediateResults,
    "true");

using var audioConfig = AudioConfig.FromWavFileInput("meeting.wav");
using var transcriber = new ConversationTranscriber(speechConfig, audioConfig);

transcriber.Transcribing += (s, e) =>
{
    Console.WriteLine($"TRANSCRIBING: SpeakerId={e.Result.SpeakerId} Text={e.Result.Text}");
};

transcriber.Transcribed += (s, e) =>
{
    Console.WriteLine($"TRANSCRIBED: SpeakerId={e.Result.SpeakerId} Text={e.Result.Text}");
};

await transcriber.StartTranscribingAsync();
Console.ReadKey();
await transcriber.StopTranscribingAsync();

Справочник: ConversationTranscriber, SpeechServiceResponse_DiarizeIntermediateResults

Настройка быстрого транскрибирования (REST и SDK)

Для быстрой транскрипции явно укажите язык и поведение диаризации.

Пример REST

curl --location "https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:transcribe?api-version=2025-10-15" \
  --header "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" \
  --form 'audio=@"call.wav"' \
  --form 'definition={
    "locales": ["en-US", "es-ES"],
    "diarization": {
      "enabled": true,
      "maxSpeakers": 4
    }
  }'

Справка: Транскрипции — Транскрибировать

Пример пакета SDK Python

from azure.core.credentials import AzureKeyCredential
from azure.ai.transcription import TranscriptionClient
from azure.ai.transcription.models import (
    TranscriptionContent,
    TranscriptionOptions,
    TranscriptionDiarizationOptions,
)

endpoint = "https://<your-resource>.cognitiveservices.azure.com/"
api_key = "<your-key>"

client = TranscriptionClient(endpoint=endpoint, credential=AzureKeyCredential(api_key))

with open("call.wav", "rb") as audio_file:
    options = TranscriptionOptions(
        locales=["en-US", "es-ES"],
        diarization_options=TranscriptionDiarizationOptions(max_speakers=4),
    )
    result = client.transcribe(TranscriptionContent(definition=options, audio=audio_file))

    for phrase in result.phrases:
        print(f"locale={phrase.locale}, speaker={phrase.speaker}, text={phrase.text}")

Справочник: TranscriptionClient, TranscriptionOptions, TranscriptionDiarizationOptions

Настройка пакетного транскрибирования (REST)

Для пакетных заданий задайте все три элемента явным образом:

• locale в качестве резервного варианта, если язык не определён.
• properties.languageIdentification.candidateLocales для области действия LID.
• properties.diarization.enabled и properties.diarization.maxSpeakers для меток говорящего.

{
  "displayName": "Batch LID + diarization",
  "locale": "en-US",
  "contentUrls": [
    "https://contoso.example/audio1.wav",
    "https://contoso.example/audio2.wav"
  ],
  "properties": {
    "languageIdentification": {
      "candidateLocales": ["en-US", "es-ES", "fr-FR"],
      "mode": "Single"
    },
    "diarization": {
      "enabled": true,
      "maxSpeakers": 4
    },
    "timeToLiveHours": 48
  }
}

Отправьте эту полезную нагрузку с помощью:

POST /speechtotext/transcriptions:submit?api-version=2025-10-15

Справка: Транскрипции - Отправка

Для диаризации используйте монофонический аудиосигнал. Диаризация не поддерживается для стереозаписей. Установите для maxSpeakers реалистичный верхний предел для разговора. Если запись содержит больше динамиков, чем настроенное максимальное, служба может объединить динамики.

Запуск контрольного списка предварительной проверки

Используйте этот контрольный список перед включением рабочего трафика:

1. Проверьте поддержку локали.
   • Убедитесь, что каждая локаль в candidateLocales (или locales) присутствует в списках поддерживаемых локалей.
2. Проверьте конфигурацию запроса.

• Убедитесь, что в запросе используется AutoDetectSourceLanguageConfig, locales или properties.languageIdentification.candidateLocales в зависимости от рабочей нагрузки.
• Убедитесь, что поддерживается фиксированный SpeechRecognitionLanguage или резервный вариант корневого уровня locale.

1. Проверьте поля обнаружения языка.
   • SDK реального времени: убедитесь, что AutoDetectSourceLanguageResult (или свойство SpeechServiceConnection_AutoDetectSourceLanguageResult) заполнено.
   • Быстрое или пакетное транскрибирование: убедитесь, что каждая фраза содержит ожидаемое locale значение.
2. Проверьте поля маркировки говорящих.

• Диаризация в реальном времени: убедитесь, что SpeakerId отображается в событиях транскрибирования или уже транскрибированных событиях.
• Быстрая или пакетная транскрипция: убедитесь, что значения speaker на уровне фраз присутствуют.
• Убедитесь, что аудио монофоническое при включённой диаризации.

1. Проверьте поведение при коротком или зашумлённом аудио.
   • Запустите шумный набор примеров и сравните обнаруженный язык с ожидаемым языком.
   • Если определение выполняется нестабильно, повторите запуск с фиксированной локалью источника вместо автоопределения.
2. Проверьте настройку количества говорящих.
   • Установите maxSpeakers на реалистичное максимальное число участников.

• Сравните возвращаемые метки говорящего с ожидаемым числом участников.

Связанные материалы

• Реализация идентификации языка
• Краткое руководство по диаризации в режиме реального времени
• Использование API быстрого транскрибирования
• Создание пакетного транскрибирования