Azure 语音转文本 REST API V3 二进制数据

Question

我正在尝试使用 Azure 语音转文本服务。在文档中，我遇到了使用 V1 API 版本的示例： https://$region.stt.speech.microsoft.com/speech/recognition/conversation/cognitiveservices/v1

基本上每个 link 的正确文档都是针对 V3 API.

https://{endpoint}/speechtotext/v3.0

在此 V1 示例中，您可以轻松地将文件作为 binary.

发送

curl --location --request POST \
"https://$region.stt.speech.microsoft.com/speech/recognition/conversation/cognitiveservices/v1?language=en-US" \
--header "Ocp-Apim-Subscription-Key: $key" \
--header "Content-Type: audio/wav" \
--data-binary $audio_file

但是我无法弄清楚如何提供一个wordLevelTimestampsEnabled=true参数来获取单词级别的时间戳。

另一方面，我尝试使用 V3 API，我可以轻松提供 wordLevelTimestampsEnabled=true 参数，但我无法弄清楚如何发送二进制文件数据。

curl -L -X POST 'https://northeurope.api.cognitive.microsoft.com/speechtotext/v3.0/transcriptions' -H 'Content-Type: application/json' -H 'Accept: application/json' -H 'Ocp-Apim-Subscription-Key: $key' --data-raw '{
  "contentUrls": [
    "https://url-to-file.dev/test-file.wav"
  ],
  "properties": {
    "diarizationEnabled": false,
    "wordLevelTimestampsEnabled": true,
    "punctuationMode": "DictatedAndAutomatic",
    "profanityFilterMode": "Masked"
  },
  "locale": "pl-PL",
  "displayName": "Transcription using default model for pl-PL"
}'

有没有办法传递二进制文件并使用 wordLevelTimestampsEnabled=true 参数获取字级时间戳？

Answer 1

Is there a way to pass a binary file and also get word level timestamps with wordLevelTimestampsEnabled=true parameter?

按照 Code Different 的建议，将评论转换为社区 wiki 答案，以帮助可能面临类似问题的社区成员。

根据documentation，无法直接上传二进制文件。您应该通过 contentUrls 属性.

提供 URL

例如：

{
  "contentUrls": [
    "<URL to an audio file to transcribe>",
  ],
  "properties": {
    "diarizationEnabled": false,
    "wordLevelTimestampsEnabled": true,
    "punctuationMode": "DictatedAndAutomatic",
    "profanityFilterMode": "Masked"
  },
  "locale": "en-US",
  "displayName": "Transcription of file using default model for en-US"
}

可以参考Speech-to-text REST API v3.0, cognitive-services-speech-sdk and Azure Speech Recognition - use binary / hexadecimal data instead of WAV file path

Azure 语音转文本 REST API V3 二进制数据

Azure speech to text REST API V3 binary data

azure

rest

text-to-speech

azure-speech