使用 Python 调用 Azure Speech to Text REST API 实现短语音转文字

解决在轻量级应用中集成语音识别的痛点：无需安装庞大的 Speech SDK，通过简单的 Python HTTP 请求即可将 60 秒以内的短音频文件转换为文本。

为什么需要这个技能

在许多自动化场景中，我们只需要处理简短的语音指令或短音频片段。安装和配置完整的 Azure Speech SDK 往往过于沉重，且增加了依赖管理的复杂性。

Azure 提供的 REST API 允许开发者直接通过标准的 HTTP 协议传输音频数据并获取转录结果。这种方式极大地简化了部署流程，尤其适用于 Serverless 函数（如 AWS Lambda, Azure Functions）或轻量级容器环境，使得语音转文字功能的集成变得像调用普通 API 一样简单。

适用场景

• 短指令识别：处理 60 秒以内的语音指令或用户短留言。
• 轻量级集成：在不希望引入复杂 SDK 的 Python 项目中实现语音转文字。
• 自动化流水线：在 CI/CD 或自动化脚本中对短音频样本进行批量转录。
• 低延迟原型开发：快速验证语音识别逻辑，无需配置复杂的开发环境。

核心工作流

1. 环境准备：在 Azure Portal 中创建 Speech 资源，获取 API 密钥（Key）和区域（Region）。
2. 音频预处理：确保音频文件符合要求（推荐使用 WAV 格式，PCM 编码，16kHz 采样率，单声道）。
3. 构建 HTTP 请求：
   • 设置 Ocp-Apim-Subscription-Key 请求头进行身份验证。
   • 正确配置 Content-Type（如 audio/wav; codecs=audio/pcm; samplerate=16000）。
   • 通过查询参数指定目标语言（如 zh-CN）和结果格式（simple 或 detailed）。
4. 数据传输与解析：使用 requests 库发送 POST 请求，并解析返回的 JSON 数据中的 DisplayText 字段。

import os
import requests

def transcribe_audio(audio_file_path: str, language: str = "zh-CN") -> dict:
    """使用 REST API 转录短音频文件（最大 60 秒）"""
    region = os.environ["AZURE_SPEECH_REGION"]
    api_key = os.environ["AZURE_SPEECH_KEY"]
    
    url = f"https://{region}.stt.speech.microsoft.com/speech/recognition/conversation/cognitiveservices/v1"
    
    headers = {
        "Ocp-Apim-Subscription-Key": api_key,
        "Content-Type": "audio/wav; codecs=audio/pcm; samplerate=16000",
        "Accept": "application/json"
    }
    
    params = {
        "language": language,
        "format": "detailed"
    }
    
    with open(audio_file_path, "rb") as audio_file:
        response = requests.post(url, headers=headers, params=params, data=audio_file)
    
    response.raise_for_status()
    return response.json()

# 使用示例
result = transcribe_audio("test_audio.wav", "zh-CN")
print(result["DisplayText"])

下载和安装

下载 azure-speech-to-text-rest-py 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐