Límites de datos

Las interfaces aceptan las siguientes cantidades máximas de datos de audio con una sola solicitud:

• La interfaz WebSocket acepta un máximo de 100 MB de audio.
• La interfaz HTTP síncrona acepta un máximo de 100 MB de audio.
• La interfaz HTTP asíncrona acepta un máximo de 1 GB de audio.

Para obtener más información sobre cómo utilizar la compresión para maximizar la cantidad de datos que puede enviar al servicio, consulte Límites de datos y compresión.

Ventajas de la interfaz WebSocket

La interfaz WebSocket ofrece varias ventajas sobre la interfaz HTTP. La interfaz WebSocket

• Proporciona un canal de comunicación de un solo socket y dúplex completo. La interfaz permite al cliente enviar varias solicitudes al servicio y recibir resultados a través de una única conexión de forma asíncrona.
• Proporciona una experiencia de programación mucho más sencilla y potente. El servicio envía respuestas controladas por sucesos a los mensajes del cliente, eliminando la necesidad de que el cliente sondee el servidor.
• Le permite establecer y utilizar una sola conexión autenticada de forma indefinida. Las interfaces HTTP requieren que autentique cada llamada al servicio.
• Reduce la latencia. Los resultados de reconocimiento llegan más rápido porque el servicio los envía directamente al cliente. La interfaz HTTP requiere cuatro solicitudes y conexiones distintas para lograr los mismos resultados.
• Reduce la utilización de la red. El protocolo WebSocket es ligero. Solo requiere una única conexión para realizar el reconocimiento de voz en directo.
• Permite que el audio se transmita directamente desde navegadores (clientes de WebSocket HTML5) al servicio.
• Devuelve los resultados tan pronto como están disponibles cuando se utiliza un modelo de voz de gran tamaño, un modelo de próxima generación o se solicitan resultados provisionales.

Detección de voz o palabras

Utilice el nuevo parámetro speech_begin_event para recibir un suceso de notificación en el momento en que se detecta la voz en la secuencia de audio. Esta característica permite que las aplicaciones en tiempo real aprendan cuando se empieza a hablar. Un caso de uso común para esta característica es implementar barge-in en sistemas de agente automatizados. Barge-in consiste en interrumpir la reproducción de audio cuando el interlocutor empieza a hablar. Establezca el valor en true para que el servicio Speech to Text devuelva una respuesta speech_begin_event, que contiene la hora en que se detecta por primera vez la actividad de voz en la secuencia de audio. Puede utilizar este parámetro en modalidad de latencia estándar y baja.

• Nombre de parámetro: speech_begin_event
• Parámetro de solicitud: speech_begin_event = true/false (booleano)
• Objeto de respuesta: "speech_begin_event.begin", por ejemplo: {"speech_begin_event": { "begin": }}

Transmisión y tiempos de espera de audio

• La transmisión de audio describe cómo puede pasar el audio como una secuencia continua de fragmentos de datos o como una entrega de un sola vez que pasa todos los datos a la vez. Con la interfaz WebSocket, los datos de audio siempre se envían en secuencia al servicio a través de la conexión. Con las interfaces HTTP, puede transmitir el audio o enviarlo todo a la vez.
• El servicio utiliza los tiempos de espera para garantizar un flujo activo de datos durante la secuencia de audio. Cuando inicia una sesión en modalidad continua, el servicio aplica tiempos de inactividad y tiempos de espera de sesión a partir de los cuales la aplicación debe recuperarse fácilmente. Si se produce un tiempo de espera excedido durante una sesión de secuencia de audio, el servicio cierra la conexión.

Resultados provisionales y baja latencia

• Los resultados provisionales son hipótesis intermedias que el servicio devuelve a medida que avanza la transcripción. Sólo están disponibles con la interfaz WebSocket. El servicio devuelve los resultados finales cuando se completa una transcripción. Con las interfaces HTTP, el servicio siempre transcribe toda la secuencia de audio antes de enviar resultados.

Los resultados provisionales no están disponibles con modelos de voz grandes.

• La baja latencia, cuando se utiliza con ciertos modelos de próxima generación, indica al servicio que produzca resultados finales aún más rápidamente de lo que lo suelen hacer los modelos. La baja latencia está disponible con las interfaces WebSocket y HTTP. Aunque la baja latencia mejora aún más los tiempos de respuesta ya mejorados de los modelos, podría reducir la precisión de la transcripción. Cuando se utilizan los modelos de próxima generación con la interfaz WebSocket, se necesita una baja latencia para obtener resultados provisionales.

La latencia baja no está disponible con modelos de voz grandes.

Detección de actividad de voz

• La sensibilidad del detector de voz ajusta la sensibilidad de la detección de la actividad del habla del servicio. Utilice el parámetro para suprimir las inserciones de palabras de la música, la tos y otros sucesos que no sean de habla que puedan afectar negativamente a la calidad del reconocimiento de voz.
• La supresión de audio de fondo suprime el audio de fondo basándose en su volumen para evitar que se transcriba como discurso. Utilice el parámetro para suprimir las conversaciones laterales o el ruido de fondo del reconocimiento de voz.

Análisis de audio de voz

• Tiempo de silencio de fin de frase especifica la duración del intervalo de pausa en el que el servicio divide una transcripción en varios resultados finales en respuesta al silencio. Si el servicio detecta pausas o un silencio largo antes de que llegue al final de la secuencia de audio, su respuesta puede incluir varios resultados finales. Puede aumentar o disminuir el intervalo de pausa para afectar a los resultados que recibe.
• Dividir transcripción al final de frase indica a los servicios que dividan una transcripción en varios resultados finales para características semánticas, como por ejemplo frases. El servicio basa su comprensión de las características semánticas en el modelo de lenguaje base que utilice con una solicitud. Los modelos de lenguaje personalizado y las gramáticas también afectan a la forma en que el servicio divide una transcripción.

La transcripción dividida al final de la frase no está disponible con modelos de voz grandes.

• El sesgo de inserción de caracteres especifica si un gran modelo del habla o un modelo de próxima generación debe favorecer las cadenas más cortas o más largas a medida que desarrolla hipótesis durante el reconocimiento del habla. A medida que desarrolla hipótesis de transcripción, el servicio optimiza la forma en que analiza el audio para ofrecer un equilibrio entre series que compiten de diferentes longitudes. Puede indicar que el servicio sesgue el análisis en favor de series más cortas o más largas.

El sesgo de inserción de caracteres no está disponible con modelos de voz grandes.

Etiquetas de orador

• Las etiquetas de orador identifican diferentes oradores del audio de un intercambio de varios participantes. La transcripción etiqueta las palabras y los tiempos de las contribuciones de cada orador a una conversación de varios participantes. Las etiquetas de orador son una funcionalidad beta.

Detección de palabras clave y alternativas de palabras

• La detección de palabras clave identifica frases habladas que coinciden con series de palabras clave especificadas con un nivel de confianza definido por el usuario. La detección de palabras clave resulta especialmente útil cuando las frases individuales del audio son más importantes que la transcripción completa. Por ejemplo, un sistema de soporte al cliente puede identificar palabras clave para determinar cómo direccionar las solicitudes de los usuarios.
• Las alternativas a palabras solicitan palabras alternativas que suenan de forma parecida a las palabras de una transcripción. Las palabras que identifica deben cumplir un umbral de confianza mínimo especificado por el usuario. El servicio identifica palabras que suenan similares y proporciona sus tiempos de inicio y de finalización, así como su confianza en las posibles alternativas.

Estas características solo están soportadas para modelos de generación anterior. No están soportados para modelos de voz grandes y modelos de próxima generación.

Formato y filtrado de la respuesta

• Formato inteligente versión 2 es la nueva característica mejorada que convierte fechas, horas, números, secuencias alfanuméricas, valores de moneda, medidas, correos electrónicos, URL, direcciones IP, números de tarjeta de crédito y puntuaciones dictadas en formatos más legibles y convencionales en las transcripciones finales. Esto solo está soportado para modelos de habla grande y modelos de próxima generación en inglés de EE.UU., portugués de Brasil, francés, alemán, español castellano, español latinoamericano y francés canadiense. También está disponible para el modelo en-WW_Medical_Telephony cuando se reconoce el audio en inglés estadounidense.
• El formateo inteligente convierte fechas, horas, números, valores de moneda, números de teléfono y direcciones de internet en formatos más legibles y convencionales en las transcripciones finales. En el caso del inglés de EE.UU., también puede proporcionar frases de palabras clave para incluir determinados signos de puntuación en las transcripciones finales. El formateo inteligente es una funcionalidad beta.
• La ocultación numérica oculta, o enmascara, datos numéricos de una transcripción final. La redacción está destinada a eliminar la información personal sensible, como los números de tarjetas de crédito, de las transcripciones finales. La redacción numérica es una funcionalidad beta.
• El filtrado de lenguaje obsceno censura el lenguaje obsceno de las transcripciones y metadatos.

Metadatos de respuesta

• El número máximo de alternativas proporcionan posibles transcripciones alternativas. El servicio indica los resultados finales en los que tiene la mayor confianza.
• La confianza de palabras devuelve niveles de confianza para cada palabra de una transcripción.
• Las indicaciones de fecha y hora de palabras devuelven indicaciones de fecha y hora correspondientes al principio y al final de cada palabra de una transcripción.

Estas características sólo están soportadas para modelos anteriores y de próxima generación. No están soportados para modelos de voz de gran tamaño.

Proceso y métricas de audio

• Las métricas de proceso proporcionan información de temporización detallada sobre el análisis del servicio del audio de entrada. El servicio devuelve las métricas a intervalos específicos y con sucesos de transcripción como, por ejemplo, resultados provisionales y finales. Puede utilizar las métricas para medir el progreso de servicio transcribiendo el audio. Puede solicitar métricas de proceso con las interfaces WebSocket y HTTP asíncrona.
• Las métricas de audio proporcionan información detallada sobre las características de señal del audio de entrada. Los resultados proporcionan métricas de agregación para todo el audio de entrada en la conclusión del proceso de habla. Puede utilizar las métricas para determinar las características y la calidad del audio. Puede solicitar métricas de audio con cualquiera de las interfaces del servicio.