Rövid útmutató: Ismerkedés az Azure AI Speech parancssori felületével

Ebből a cikkből megtudhatja, hogyan használhatja az Azure AI Speech CLI-t (más néven SPX-t) a Speech-szolgáltatások, például a szövegfelolvasás, a szövegfelolvasás és a beszédfordítás eléréséhez anélkül, hogy kódokat kellene írnia. A Speech CLI készen áll az éles használatra, és használatával egyszerű munkafolyamatokat automatizálhat a Speech szolgáltatásban szkriptek használatával vagy rendszerhéjak használatával .bat .

Ez a cikk feltételezi, hogy ismeri a parancssori ablakot, a terminált vagy a PowerShellt.

Feljegyzés

A PowerShellben a stop-parsing tokennek (--%) kell követnie spx. Futtatás például spx --% config @region az aktuális régió konfigurációs értékének megtekintéséhez.

Letöltés és telepítés

Windows

A Speech CLI Windows rendszeren való telepítéséhez kövesse az alábbi lépéseket:

1. Telepítse a Platformhoz készült Visual Studio 2019-hez készült Microsoft Visual C++ terjeszthető verziót. Az első telepítés újraindítást igényelhet.

2. Telepítse a .NET 6-ot.

3. Telepítse a Speech CLI-t a .NET CLI-vel a következő paranccsal:

   dotnet tool install --global Microsoft.CognitiveServices.Speech.CLI
   

   A Speech CLI frissítéséhez írja be a következő parancsot:

   dotnet tool update --global Microsoft.CognitiveServices.Speech.CLI
   

Adja meg spx vagy spx help tekintse meg a Speech CLI súgóját.

Betűkészlet korlátozásai

Windows rendszeren a Speech CLI csak olyan betűtípusokat jeleníthet meg, amelyek elérhetők a helyi számítógépen a parancssorban. A Windows Terminal támogatja a Speech CLI által interaktívan előállított összes betűtípust.

Ha fájlba kimenetel, egy szövegszerkesztő, például Jegyzettömb vagy a Microsoft Edge-hez hasonló webböngésző is megjelenítheti az összes betűtípust.

Linux

Figyelemfelhívás

Ez a cikk a CentOS-ra, egy olyan Linux-disztribúcióra hivatkozik, amely közel áll az élettartam (EOL) állapotához. Ennek megfelelően fontolja meg a használatot és a tervezést. További információ: CentOS End Of Life útmutató.

A Speech CLI-t használó x64-architektúrák esetében a következő Linux-disztribúciók támogatottak:

• CentOS 7/8
• Debian 9/10
• Red Hat Enterprise Linux (RHEL) 7/8
• Ubuntu 18.04/20.04

Feljegyzés

A Speech SDK (nem a Speech CLI) további architektúrákat támogat. További információ: About the Speech SDK.

Az alábbi lépéseket követve telepítse a Speech CLI-t Linuxra x64-alapú processzorra:

1. Telepítse a .NET 6-ot.

2. Telepítse a Speech CLI-t a .NET CLI-vel a következő paranccsal:

   dotnet tool install --global Microsoft.CognitiveServices.Speech.CLI
   

   A Speech CLI frissítéséhez írja be a következő parancsot:

   dotnet tool update --global Microsoft.CognitiveServices.Speech.CLI
   

3. RHEL/CentOS Linux rendszeren konfigurálja a Linuxhoz készült OpenSSL-t.

4. Ubuntu 20.04 Linux rendszeren telepítse a GStreamert.

Adja meg spx a Speech CLI súgóját.

macOS

A Speech CLI macOS 10.14-re vagy újabb verziójára való telepítéséhez kövesse az alábbi lépéseket:

1. Telepítse a .NET 6-ot.

2. Telepítse a Speech CLI-t a .NET CLI-vel a következő paranccsal:

   dotnet tool install --global Microsoft.CognitiveServices.Speech.CLI
   

   A Speech CLI frissítéséhez írja be a következő parancsot:

   dotnet tool update --global Microsoft.CognitiveServices.Speech.CLI
   

Adja meg spx vagy spx help tekintse meg a Speech CLI súgóját.

Docker (Windows, Linux, macOS)

Az alábbi példa egy nyilvános tárolórendszerképet kér le a Docker Hubról. Javasoljuk, hogy először a Docker Hub-fiókjával (docker login) hitelesítse magát névtelen lekéréses kérés helyett. A nyilvános tartalmak használatakor a megbízhatóság javítása érdekében importálja és kezelje a rendszerképet egy privát Azure-tárolóregisztrációs adatbázisban. További információ a nyilvános rendszerképek használatával kapcsolatban.

A Speech CLI Docker-tárolóban való telepítéséhez kövesse az alábbi lépéseket:

1. Ha még nincs telepítve, telepítse a Docker Desktopot a platformhoz.
2. Egy új parancssorba vagy terminálba írja be a következő parancsot:

   docker pull msftspeech/spx
   

Adja meg ezt a parancsot a Speech CLI súgóinformációinak megjelenítéséhez:

docker run -it --rm msftspeech/spx help

Könyvtár csatlakoztatása a tárolóban

A Speech CLI eszköz fájlként menti a konfigurációs beállításokat. A parancsok végrehajtásakor (a súgóparancsok kivételével) betölti ezeket a fájlokat.

Ha a Speech CLI-t egy Docker-tárolón belül használja, csatlakoztatnia kell egy helyi könyvtárat a tárolóból, hogy az eszköz a következő műveleteket hajthassa végre:

• Tárolja vagy keresse meg a konfigurációs beállításokat.
• A parancs által igényelt fájlok, például a beszéd hangfájljainak olvasása vagy írása.

Windows rendszeren adja meg ezt a parancsot egy helyi könyvtár létrehozásához, amelyet a Speech CLI a tárolón belül használhat:

mkdir c:\spx-data

Linux vagy macOS rendszeren írja be ezt a parancsot egy terminálba, hogy létrehozzon egy könyvtárat, és megtekintse annak abszolút elérési útját:

mkdir ~/spx-data
cd ~/spx-data
pwd

A Speech CLI meghívásakor az abszolút elérési utat fogja használni.

A Speech CLI futtatása a tárolóban

Ez a dokumentáció a Nem Docker-telepítésekben használt Speech CLI-parancsot spx mutatja be. Amikor egy Docker-tárolóban hívja meg a spx parancsot, csatlakoztatnia kell egy könyvtárat a tárolóban a fájlrendszerhez, ahol a Speech CLI képes tárolni és megtalálni a konfigurációs értékeket, valamint fájlokat olvasni és írni.

Windows rendszeren a parancsok a következőképpen kezdődnek:

docker run -it -v c:\spx-data:/data --rm msftspeech/spx

Linux vagy macOS rendszeren a parancsok az alábbi mintához hasonlóan néznek ki. Cserélje le ABSOLUTE_PATH a csatlakoztatott könyvtár abszolút elérési útját. A pwd parancs ezt az elérési utat adta vissza az előző szakaszban. Ha a kulcs és a régió beállítása előtt futtatja ezt a parancsot, hibaüzenet jelenik meg, amely a kulcs és a régió beállítását jelzi.

sudo docker run -it -v ABSOLUTE_PATH:/data --rm msftspeech/spx

A tárolóban telepített parancs használatához spx mindig adja meg a teljes parancsot az előző példában látható módon, majd a kérés paramétereit. Windows rendszeren például ez a parancs állítja be a kulcsot:

docker run -it -v c:\spx-data:/data --rm msftspeech/spx config @key --set SUBSCRIPTION-KEY

A parancssori eszközzel való kiterjesztettebb interakció érdekében egy tárolót egy interaktív Bash-felülettel indíthat el egy entrypoint paraméter hozzáadásával. Windows rendszeren adja meg ezt a parancsot egy olyan tároló elindításához, amely egy interaktív parancssori felületet tesz elérhetővé, ahol több spx parancsot is megadhat:

docker run -it --entrypoint=/bin/bash -v c:\spx-data:/data --rm msftspeech/spx

Ezt kombinálhatja az AZ Login szolgáltatással, és az SPX Init segítségével létrehozhatja a beszédkulcsokat, és kiválaszthat egy megfelelő adatterületet anélkül, hogy az Azure Portalt kellene használnia. A rendszer automatikusan tárolja a kulcsokat későbbi használatra.

docker run -it --rm --entrypoint /bin/bash -v c:\spx-data:/data msftspeech/spx

az login
spx init

Erőforráskonfiguráció létrehozása

Terminál

Első lépésként szüksége lesz egy Speech erőforráskulcsra és egy régióazonosítóra (például eastus: , westus). Speech-erőforrás létrehozása az Azure Portalon. További információ: Többszolgáltatásos erőforrás létrehozása.

Az erőforráskulcs és a régióazonosító konfigurálásához futtassa a következő parancsokat:

spx config @key --set SPEECH-KEY
spx config @region --set SPEECH-REGION

A kulcs és a régió a jövőbeli Speech CLI-parancsokhoz lesz tárolva. Az aktuális konfiguráció megtekintéséhez futtassa a következő parancsokat:

spx config @key
spx config @region

Szükség esetén adja meg a clear tárolt értékek eltávolításának lehetőségét:

spx config @key --clear
spx config @region --clear

PowerShell

Első lépésként szüksége lesz egy Speech erőforráskulcsra és egy régióazonosítóra (például eastus: , westus). Speech-erőforrás létrehozása az Azure Portalon. További információ: Többszolgáltatásos erőforrás létrehozása.

A Speech-erőforráskulcs és a régióazonosító konfigurálásához futtassa a következő parancsokat a PowerShellben:

spx --% config @key --set SPEECH-KEY
spx --% config @region --set SPEECH-REGION

A kulcs és a régió a jövőbeli SPX-parancsokhoz lesz tárolva. Az aktuális konfiguráció megtekintéséhez futtassa a következő parancsokat:

spx --% config @key
spx --% config @region

Szükség esetén adja meg a clear tárolt értékek eltávolításának lehetőségét:

spx --% config @key --clear
spx --% config @region --clear

Alapszintű használat

Fontos

Ha a Speech CLI-t egy tárolóban használja, adja meg a --host lehetőséget. Azt is meg kell adnia --key none , hogy a parancssori felület ne használjon beszédkulcsot a hitelesítéshez. Futtassa spx recognize --key none --host wss://localhost:5000/ --file myaudio.wav például a beszédfelismerést egy hangfájlból a szövegtárolóba.

Ez a szakasz néhány alapvető SPX-parancsot mutat be, amelyek gyakran hasznosak az első teszteléshez és kísérletezéshez. Futtassa a következő parancsot az eszközbeli súgó megtekintéséhez:

spx

A súgótémakörökben kulcsszavak szerint kereshet. A Speech CLI használati példáinak listájának megtekintéséhez futtassa például a következő parancsot:

spx help find --topics "examples"

A parancs beállításainak recognize megtekintéséhez futtassa a következő parancsot:

spx help recognize

További súgóparancsok szerepelnek a konzol kimenetében. Ezeket a parancsokat beírva részletes segítséget kaphat az alparancsokról.

Beszéd a szöveghez (beszédfelismerés)

Feljegyzés

Nem használhatja a számítógép mikrofonját, amikor a Speech CLI-t egy Docker-tárolón belül futtatja. A hangfájlok azonban a helyi csatlakoztatott könyvtárban olvashatók és menthetők.

A beszéd szöveggé alakításához (beszédfelismerés) a rendszer alapértelmezett mikrofonjával futtassa a következő parancsot:

spx recognize --microphone

A parancs futtatása után az SPX megkezdi a hanghallgatást az aktuális aktív bemeneti eszközön. Nem figyel, amikor az Enter lehetőséget választja. Ezután a rendszer felismeri és szöveggé alakítja a beszélt hangot a konzol kimenetében.

A Speech CLI-vel hangfájlból is felismerheti a beszédet. Futtassa az alábbi parancsot:

spx recognize --file /path/to/file.wav

Tipp.

Ha elakad, vagy többet szeretne megtudni a Speech CLI-felismerési lehetőségekről, futtathatja a parancsot spx help recognize.

Szövegfelolvasás (beszédszintézis)

A következő parancs bemenetként a szöveget veszi fel, majd a szintetizált beszédet az aktuális aktív kimeneti eszközre (például a számítógép hangszóróira) adja ki.

spx synthesize --text "Testing synthesis using the Speech CLI" --speakers

A szintetizált kimenetet fájlba is mentheti. Ebben a példában hozzunk létre egy my-sample.wav nevű fájlt abban a könyvtárban, ahol a parancsot futtatja.

spx synthesize --text "Enjoy using the Speech CLI." --audio output my-sample.wav

Ezek a példák feltételezik, hogy angol nyelven tesztel. A Speech service azonban számos nyelven támogatja a beszédszintézist. A hangok teljes listáját lekérheti az alábbi parancs futtatásával vagy a nyelvi támogatási oldal felkeresésével.

spx synthesize --voices

Íme egy parancs a felderített hangok egyikének használatára.

spx synthesize --text "Bienvenue chez moi." --voice fr-FR-AlainNeural --speakers

Tipp.

Ha elakad, vagy többet szeretne megtudni a Speech CLI-felismerési lehetőségekről, futtathatja a parancsot spx help synthesize.

Beszédszöveg fordítása

A Speech CLI-vel beszédet is végezhet a szövegfordításhoz. Futtassa az alábbi parancsot az alapértelmezett mikrofon hangjának rögzítéséhez, és adja ki a fordítást szövegként. Ne feledje, hogy meg kell adnia a parancsot és target a sourcetranslate nyelvet.

spx translate --microphone --source en-US --target ru-RU

Ha több nyelvre fordít, a nyelvi kódokat pontosvesszővel (;pontosvesszővel) kell elválasztani.

spx translate --microphone --source en-US --target ru-RU;fr-FR;es-ES

Ha menteni szeretné a fordítás kimenetét, használja a jelölőt --output . Ebben a példában egy fájlból is olvashat.

spx translate --file /some/file/path/input.wav --source en-US --target ru-RU --output file /some/file/path/russian_translation.txt

Tipp.

Ha elakad, vagy többet szeretne megtudni a Speech CLI-felismerési lehetőségekről, futtathatja a parancsot spx help translate.

Következő lépések

• A GStreamer telepítése a Speech CLI MP3- és egyéb formátumokkal való használatához
• A Speech CLI konfigurációs beállításai
• Batch-műveletek a Speech CLI-vel