VoiceAgentInputTranscription interface

Opcjonalna konfiguracja wdrożenia mowy przez klienta, ustalana według lokalizacji.

Kontroluje, jak długo model czeka przed emisją tekstu transkrypcyjnego. Wyższe wartości mogą poprawić dokładność transkrypcji kosztem opóźnień. Obsługiwane tylko podczas gpt-realtime-whisper sesji w czasie rzeczywistym w GA.

Słowa lub frazy kierujące transkrypcją wejściowego dźwięku. Wspierane przez gpt-transcribe i gpt-live-transcribe.

Język wejściowego dźwięku. Podanie języka wejściowego w formacie ISO-639-1 (np. en) poprawi dokładność i opóźnienie. Opcjonalne dla innych modeli transkrypcji; wymagane i muszą być niepuste, gdy model jest ( azure-speech-streaming np. en-US; obsługiwane są lokalizacje rozdzielone przecinkami).

Możliwe języki dźwięku wejściowego, w formacie ISO-639-1 . Wspierane przez gpt-transcribe i gpt-live-transcribe.

Identyfikator modelu transkrypcji. Konfiguruj niestandardowe wdrożenia custom_speechmowy dla klienta. azure-speech-streaming jest przeznaczony wyłącznie dla kaskadowych rozmów w modelu tekstowym (nie dla modeli mowy w czasie rzeczywistym), wymaga niepustego language rozmowy takiego jak en-US (obsługiwane są lokalizacje rozdzielone przecinkami), oraz obsługuje custom_speech, phrase_list, oraz profanity_filter.

Opcjonalne wyrażenie sugeruje, że to uprzedza rozpoznawanie w stronę terminów domenowych.

Kontroluje, jak przekleństwa są traktowane w transkrypcjach wejściowych. Obsługiwany wyłącznie przez zarządzane Azure Speech (azure-speech i azure-speech-streaming), w tym Custom Speech. Ustaw tę właściwość przed rozpoczęciem sesji. Jeśli zostanie pominięta, obowiązuje domyślny przepis dostawcy transkrypcji. Nie możesz zmienić trybu podczas sesji. Filtrowanie wpływa na zdarzenia transkrypcyjne oraz tekst wysyłany do modeli kaskadowych. Nie zmienia dźwięku wejściowego, wykrywania aktywności głosowej ani mowy asystenta; modele natywne z dźwiękiem nadal otrzymują oryginalny dźwięk. Obowiązkowe zasady noszenia masek w usługach obowiązują nawet wtedy, gdy wybierzesz unfiltered.

Opcjonalny tekst wskazujący styl modelu lub jako kontynuacja poprzedniego segmentu audio. W przypadku whisper-1polecenia jest to lista słów kluczowych. W przypadku gpt-4o-transcribe modeli (z wyłączeniem gpt-4o-transcribe-diarize) monit jest ciągiem tekstowym, na przykład "oczekiwano słów związanych z technologią". Prompt nie jest obsługiwany w gpt-realtime-whisper sesjach czasu rzeczywistego w GA.