深度解读微软Speech服务：让语音识别走进现实

大家好，今天我们来探讨一个激动人心的技术话题：微软的语音识别服务如何为我们提供强大的语音识别解决方案，特别是在电话录音中识别出不同的说话人。

场景描绘

想象一下，你有一段电话录音，并需要将其中的多个说话人区分开来，这在客户服务、会议记录等场景中尤为重要。通过调研不同的技术方案，我们发现微软的Speech服务提供了高效的解决方案。

认识Speech Studio

首先，让我带大家认识一下微软提供的在线测试平台：Speech Studio。通过这个网址可以直接访问 Speech Studio 进行服务体验。

在正式使用前，我们需要准备两类服务资源：语音服务和语言服务。在Speech Studio中，你可以在线快速测试并体验其功能。

复制代码

https://speech.microsoft.com/portal/callcenter

我们可以看到Speech Studio服务中可以把wav的对话人区分出来，并且可以提取对于的姓名、邮箱等。甚至可以对敏感信息进行过滤处理。

C# SDK实现语音识别

为了在实际项目中应用，接下来我们来看看如何使用C# SDK来实现这一功能。首先，我们需要在项目中引入相关的NuGet包：

复制代码

<PackageReference Include="Microsoft.CognitiveServices.Speech" Version="1.41.1" />

然后，在代码中导入相关命名空间：

复制代码

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

核心代码示例

以下是一个完整的代码示例，展示了如何通过C# SDK来实现语音识别及说话人区分：

复制代码

class Program
{
    // 设置环境变量用于存储密钥和区域信息
    static string speechKey = "your_speech_key";
    static string speechRegion = "your_speech_region";

    async static Task Main(string[] args)
    {
        var filepath = @"test.wav";
        var speechConfig = SpeechConfig.FromSubscription(speechKey, speechRegion);
        speechConfig.SpeechRecognitionLanguage = "en-US";
        speechConfig.SetProperty(PropertyId.SpeechServiceResponse_DiarizeIntermediateResults, "true");

        var stopRecognition = new TaskCompletionSource<int>(TaskCreationOptions.RunContinuationsAsynchronously);

        // 使用音频文件创建一个音频流
        using (var audioConfig = AudioConfig.FromWavFileInput(filepath))
        {
            // 创建会话记录器
            using (var conversationTranscriber = new ConversationTranscriber(speechConfig, audioConfig))
            {
                conversationTranscriber.Transcribing += (s, e) =>
                {
                    Console.WriteLine($"TRANSCRIBING: Text={e.Result.Text} Speaker ID={e.Result.SpeakerId}");
                };

                conversationTranscriber.Transcribed += (s, e) =>
                {
                    if (e.Result.Reason == ResultReason.RecognizedSpeech)
                    {
                        Console.WriteLine();
                        Console.WriteLine($"TRANSCRIBED: Text={e.Result.Text} Speaker ID={e.Result.SpeakerId}");
                        Console.WriteLine();
                    }
                    else if (e.Result.Reason == ResultReason.NoMatch)
                    {
                        Console.WriteLine($"NOMATCH: Speech could not be transcribed.");
                    }
                };

                conversationTranscriber.Canceled += (s, e) =>
                {
                    Console.WriteLine($"CANCELED: Reason={e.Reason}");

                    if (e.Reason == CancellationReason.Error)
                    {
                        Console.WriteLine($"CANCELED: ErrorCode={e.ErrorCode}");
                        Console.WriteLine($"CANCELED: ErrorDetails={e.ErrorDetails}");
                        Console.WriteLine($"CANCELED: Did you set the speech resource key and region values?");
                        stopRecognition.TrySetResult(0);
                    }

                    stopRecognition.TrySetResult(0);
                };

                conversationTranscriber.SessionStopped += (s, e) =>
                {
                    Console.WriteLine("\n    Session stopped event.");
                    stopRecognition.TrySetResult(0);
                };

                await conversationTranscriber.StartTranscribingAsync();

                // 等待识别完成
                Task.WaitAny(new[] { stopRecognition.Task });

                await conversationTranscriber.StopTranscribingAsync();
            }
        }
    }
}

代码解析

环境变量配置：首先，确保设定"speechKey"和"speechRegion"，这两个参数是调用微软语音识别服务的基础。
SpeechConfig对象：通过SpeechConfig.FromSubscription方法，使用你的密钥和区域信息创建一个SpeechConfig对象，并设定识别语言为英语（en-US）。
设定属性：通过SetProperty方法开启中间结果的说话人区分功能。
创建音频流：利用AudioConfig.FromWavFileInput方法从音频文件中创建一个音频流。
创建会话记录器：使用ConversationTranscriber类创建一个会话记录器，并订阅相关事件（如Transcribing、Transcribed、Canceled、SessionStopped），以处理实时语音识别和说话人区分结果。
开启识别：调用StartTranscribingAsync方法开始识别，并等待任务结束，通过事件处理语音识别的各个阶段输出信息。

实际应用效果

上述代码运行起来，将会实时打印出语音识别结果以及每段话的说话人ID。通过这些信息，我们可以非常方便地将识别到的文本进行进一步处理，例如存储、分析等。

价格

我们可以查看官方定价标准：

复制代码

https://azure.microsoft.com/zh-cn/pricing/details/cognitive-services/speech-services/

总结

微软的Speech服务提供了强大的语音识别能力，通过简单的配置和调用C# SDK，我们能够高效地实现电话录音的说话人区分。希望这篇文章能够帮助大家更好地理解和使用这一服务，让我们在实际项目中发挥其强大功能。如果你有任何问题或需要进一步了解更多技术细节，欢迎在评论区留下你的评论！

期待你的关注，我们下期再见！