Limiti dei dati

Le interfacce accettano le seguenti quantità massime di dati audio con una singola richiesta:

• L'interfaccia WebSocket accetta un massimo di 100 MB di audio.
• L'interfaccia HTTP sincrona accetta un massimo di 100 MB di audio.
• L'interfaccia HTTP asincrona accetta un massimo di 1 GB di audio.

Per ulteriori informazioni sull'utilizzo della compressione per massimizzare la quantità di dati che puoi inviare al servizio, vedi Limiti dei dati e compressione.

Vantaggi dell'interfaccia WebSocket

L'interfaccia WebSocket presenta una serie di vantaggi rispetto all'interfaccia HTTP. L'interfaccia WebSocket

• Fornisce un canale di comunicazione full duplex a singolo socket. L'interfaccia consente al client di inviare più richieste al servizio e di ricevere i risultati su una singola connessione in modo asincrono.
• Offre un'esperienza di programmazione molto più semplice e potente. Il servizio invia risposte basate su eventi ai messaggi del client, eliminando la necessità per il client di eseguire il polling del server.
• Consente di stabilire e utilizzare una singola connessione autenticata a tempo indeterminato. Le interfacce HTTP richiedono di autenticare ogni chiamata al servizio.
• Riduce la latenza. I risultati del riconoscimento arrivano più velocemente perché il servizio li invia direttamente al client. L'interfaccia HTTP richiede quattro richieste e connessioni distinte per ottenere gli stessi risultati.
• Riduce l'utilizzo della rete. Il protocollo WebSocket è leggero. Richiede solo una singola connessione per eseguire il riconoscimento vocale dinamico.
• Consente di trasmettere l'audio direttamente dai browser (clientHTML5 'WebSocket ) al servizio.
• Restituisce i risultati non appena sono disponibili quando utilizzi un modello vocale di grandi dimensioni, un modello di nuova generazione o richiedi risultati provvisori.

Rilevamento voce o parola

Utilizzare il nuovo parametro speech_begin_event per ricevere un evento di notifica nel momento in cui viene rilevato il discorso nel flusso audio. Questa funzione consente alle applicazioni in tempo reale di imparare quando si inizia a parlare. Un caso di uso comune per questa funzionalità è l'implementazione del barge - in nei sistemi di agent automatizzati. Barge - in consiste nell'interrompere la riproduzione audio quando il chiamante inizia a parlare. Imposta il valore su true per fare in modo che il servizio Speech to Text invii una risposta speech_begin_event, che contiene l'ora in cui l'attività vocale viene rilevata per la prima volta all'interno del flusso audio. È possibile utilizzare questo parametro in modalità standard e bassa latenza.

• Nome parametro: speech_begin_event
• Parametro richiesta: speech_begin_event = true / false (booleano)
• Oggetto risposta: "speech_begin_event.begin", ad esempio: {"speech_begin_event": { "begin": }}

Trasmissione audio e timeout

• La trasmissione audio descrive il modo in cui è possibile trasmettere l'audio come un flusso continuo di pezzi di dati o come una consegna unica che trasmette tutti i dati in una sola volta. Con l'interfaccia WebSocket, i dati audio vengono sempre trasmessi al servizio attraverso la connessione. Con le interfacce HTTP, puoi trasmettere in streaming l'audio o inviarlo tutto in una volta.
• I timeout vengono utilizzati dal servizio per assicurare un flusso attivo di dati durante lo streaming audio. Quando avvii una sessione di streaming, il servizio impone i timeout di inattività e sessione da cui la tua applicazione deve eseguire il ripristino correttamente. Se un timeout scade durante una sessione di streaming, il servizio chiude la connessione.

Risultati provvisori e bassa latenza

• I risultati provvisori sono ipotesi intermedie che il servizio restituisce man mano che la trascrizione procede. Sono disponibili solo con l'interfaccia WebSocket. Il servizio restituisce i risultati finali una volta completata la trascrizione. Con le interfacce HTTP, il servizio trascrive sempre l'intero flusso audio prima di inviare eventuali risultati.

I risultati provvisori non sono disponibili con modelli di discorso di grandi dimensioni.

• La bassa latenza, se utilizzata con alcuni modelli di nuova generazione, indica al servizio di produrre risultati finali ancora più rapidamente di quanto non facciano i modelli. La bassa latenza è disponibile con le interfacce WebSocket e HTTP. Anche se la bassa latenza migliora ulteriormente i tempi di risposta già migliorati dei modelli, potrebbe ridurre l'accuratezza della trascrizione. Quando utilizzi i modelli di nuova generazione con l'interfaccia WebSocket, è richiesta una bassa latenza per ottenere risultati provvisori.

La bassa latenza non è disponibile con modelli vocali di grandi dimensioni.

Rilevamento dell'attività vocale

• Sensibilità del rilevatore vocale regola la sensibilità del rilevamento del servizio dell'attività vocale. Utilizzare il parametro per eliminare gli inserimenti di parole da musica, tosse e altri eventi non vocali che possono influire negativamente sulla qualità del riconoscimento vocale.
• Background audio suppression sopprime l'audio di sfondo basato sul suo volume per evitare che venga trascritto come discorso. Utilizzare il parametro per eliminare le conversazioni secondarie o i rumori di fondo dal riconoscimento vocale.

Analisi audio del discorso

• periodo di silenzio al termine della frase specifica la durata dell'intervallo di pausa dopo di cui il servizio suddivide una trascrizione in più risultati finali in risposta al momento di silenzio. Se il servizio rileva delle pause o dei silenzi estesi prima di raggiungere la fine del flusso audio, la sua risposta può includere più risultati finali. È possibile aumentare o diminuire l'intervallo di pausa per influire sui risultati ricevuti.
• suddividi la trascrizione al termine della frase indica al servizio di suddividere una trascrizione in più risultati finali per le funzioni semantiche come le frasi. Il servizio basa la sua comprensione delle funzioni semantiche sul modello di lingua di base che utilizzi con una richiesta. I modelli di lingua personalizzati e le grammatiche possono influenzare anche come e in quale punto il servizio suddivide una trascrizione.

La trascrizione suddivisa alla fine della frase non è disponibile con modelli vocali di grandi dimensioni.

• La distorsione nell'inserimento dei caratteri specifica se un modello di discorso di grandi dimensioni o un modello di nuova generazione deve favorire stringhe più brevi o più lunghe in quanto sviluppa ipotesi durante il riconoscimento vocale. Mentre sviluppa le ipotesi di trascrizione, il servizio ottimizza il modo in cui analizza l'audio per bilanciare le stringhe concorrenti di diverse lunghezze. È possibile indicare che il servizio deve orientare la propria analisi verso stringhe più brevi o più lunghe.

La distorsione di inserimento dei caratteri non è disponibile con modelli vocali di grandi dimensioni.

Etichette del parlante

• Etichette degli altoparlanti identifica diversi altoparlanti dall'audio di uno scambio multi - partecipante. La trascrizione etichetta le parole e i tempi dei contributi di ogni oratore a una conversazione multi - partecipante. Le etichette degli altoparlanti sono funzionalità beta.

Individuazione di parole chiave e alternative di parole

• L'individuazione di parole chiave identifica le frasi pronunciate che corrispondono alle stringhe di parole chiave specificate con un livello di attendibilità definito dall'utente. L'individuazione di parole chiave è particolarmente utile quando le singole frasi dall'audio sono più importanti della trascrizione completa. Ad esempio, un sistema di supporto clienti potrebbe identificare le parole chiave per determinare come instradare le richieste degli utenti.
• Le alternative alle parole richiedono parole alternative che siano acusticamente simili alle parole di una trascrizione. Le parole che identificano devono soddisfare una soglia di confidenza minima specificata dall'utente. Il servizio identifica parole dal suono simile e fornisce i loro orari di inizio e fine, nonché la sua fiducia nelle possibili alternative.

Queste funzioni sono supportate solo per i modelli di generazione precedente. Non sono supportati per i modelli vocali di grandi dimensioni e i modelli di nuova generazione.

Formattazione e filtro delle risposte

• La formattazione intelligente versione 2 è la nuova funzionalità migliorata che converte date, ore, numeri, sequenze alfanumeriche, valori di valuta, misure, email, URL, indirizzi IP, numeri di carte di credito e punteggiature dettate in forme più leggibili e convenzionali nelle trascrizioni finali. Questo è supportato solo per modelli di grandi dimensioni e modelli di prossima generazione in inglese americano, portoghese brasiliano, francese, tedesco, spagnolo castigliano, spagnolo latino americano e francese canadese. È disponibile anche per il modello en-WW_Medical_Telephony quando viene riconosciuto l'audio in inglese americano.
• La formattazione intelligente converte date, ore, numeri, valori di valuta, numeri di telefono e indirizzi Internet in formati convenzionali più leggibili nelle trascrizioni finali. Per l'inglese americano, puoi anche fornire frasi di parole chiave per includere determinati simboli di punteggiatura nelle trascrizioni finali. La formattazione intelligente è una funzionalità beta.
• L'oscuramento numerico oscura, o maschera, i dati numerici da una trascrizione finale. La riduzione ha lo scopo di rimuovere le informazioni personali sensibili, come i numeri di carta di credito, dalle trascrizioni finali. La redazione numerica è una funzionalità beta.
• Filtraggio della profanità censura la profanità dalle trascrizioni e i metadati.

Metadati risposta

• Il numero massimo di alternative fornisce possibili trascrizioni alternative. Il servizio indica i risultati finali in cui ha la massima attendibilità.
• L'attendibilità delle parole restituisce i livelli di attendibilità per ogni parola di una trascrizione.
• Le date/ore delle parole restituiscono le date e ore per l'inizio e la fine di ogni parola di una trascrizione.

Queste funzioni sono supportate solo per i modelli precedenti e di nuova generazione. Non sono supportati per modelli vocali di grandi dimensioni.

Metriche audio e di elaborazione

• Le metriche di elaborazione forniscono informazioni temporali dettagliate sull'analisi dell'audio di input da parte del servizio. Il servizio restituisce le metriche a intervalli specifici e con eventi di trascrizione, come i risultati provvisori e finali. Puoi utilizzare le metriche per valutare l'avanzamento del servizio nella trascrizione dell'audio. Puoi richiedere le metriche di elaborazione con le interfacce WebSocket e HTTP asincrona.
• Le metriche audio forniscono informazioni dettagliate sulle caratteristiche di segnale dell'audio di input. I risultati forniscono metriche aggregate per l'intero audio di input al termine dell'elaborazione vocale. Puoi utilizzare le metriche per determinare le caratteristiche e la qualità dell'audio. Puoi richiedere le metriche audio con qualsiasi interfaccia del servizio.