TTokenySpace
返回 Skills 列表

Azure Transcription

Azure语音转写专业版 —— 面向企业团队与专业用户的高级语音转写工具。核心能力: - 实时流式语音转写,支持麦克风输入与流式音频 - 说话人分离(Diarization),自动识别不同说话人 - 批量转写队列管理,支持大规模音频文件处理 - 自定义语音模型集成,提升专业领域识别准确率 - 多语言混合转写...

#中文
0

安装到 Tokeny(自动)

下载 ZIP
安装"azure-transcription"技能
技能信息:
- 名称: Azure Transcription
- 标识: azure-transcription
- 描述: Azure语音转写专业版 —— 面向企业团队与专业用户的高级语音转写工具。核心能力: - 实时流式语音转写,支持麦克风输入与流式音频 - 说话人分离(Diarization),自动识别不同说话人 - 批量转写队列管理,支持大规模音频文件处理 - 自定义语音模型集成,提升专业领域识别准确率 - 多语言混合转写...
- 版本: 1.0.0
下载地址:
https://www.tokeny.space/api/skills/azure-transcription/download
继续

复制上方内容到 Tokeny 客户端并在会话中发送即可自动安装;也可直接 下载 ZIP并拖动到技能窗口安装。

SKILL.md

Azure语音转写专业版

付费版专享能力

能力免费版付费版
基础功能支持支持
Azure语音转写专业版批量处理不支持支持
高级参数配置与自定义规则不支持支持
批量任务编排与队列管理不支持支持
结果导出与多格式转换不支持支持
实时状态监控与异常告警不支持支持

核心能力

1. 实时流式转写

import os
from azure.ai.transcription import TranscriptionClient
# ...
client = TranscriptionClient(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    credential=os.environ["TRANSCRIPTION_KEY"]
)
# ...
# 实时流式转写
stream = client.begin_stream_transcription(locale="zh-CN")
# ...
# 发送音频文件进行实时转写
stream.send_audio_file("realtime_audio.wav")
# ...
# 接收实时转写结果
for event in stream:
    if event.is_partial:
        print(f"[实时] {event.text}", end="\r")
    else:
        print(f"[完成] {event.text}")
```- 验证返回数据的完整性和格式正确性
- 参考`批量转写队列管理`的配置文档进行参数调优- 验证返回数据的完整性和格式正确性
- 参考`实时流式转写`的配置文档进行参数调优
### 2. 说话人分离(Diarization)
```python
# 启用说话人分离的批量转写
job = client.begin_transcription(
    name="meeting-with-diarization",
    locale="zh-CN",
    content_urls=["https://<storage>/meeting.wav"],
    diarization_enabled=True,
    diarization_config={
        "max_speakers": 5,
        "enabled": True
    }
)
# ...
result = job.result()
# ...
# 输出带说话人标识的转写结果
for segment in result.segments:
    speaker = segment.speaker  # 说话人标识: Speaker1, Speaker2, ...
    print(f"[{speaker}] [{segment.start_time:.1f}s-{segment.end_time:.1f}s] {segment.text}")

输入: 用户提供说话人分离(Diarization)所需的指令和必要参数. 处理: 解析说话人分离(Diarization)的输入参数,执行核心处理逻辑,返回结构化结果和执行状态。- 验证执行结果,确认输出符合预期格式

  • 异常时参考错误处理章节进行恢复
  • 关键参数: 说话人分离(diarization) 选项

3. 批量转写队列管理

import os
from concurrent.futures import ThreadPoolExecutor, as_completed
from azure.ai.transcription import TranscriptionClient
# ...
class BatchTranscriptionManager:
    def __init__(self, endpoint, key, max_workers=5):
        self.client = TranscriptionClient(endpoint=endpoint, credential=key)
        self.max_workers = max_workers
        self.results = []
        self.failed = []
# ...
    def submit_transcription(self, audio_url, name, locale="zh-CN", 
                              diarization=True, callback=None):
        """提交单个转写任务"""
        try:
            job = self.client.begin_transcription(
                name=name,
                locale=locale,
                content_urls=[audio_url],
                diarization_enabled=diarization
            )
            result = job.result()
# ...
            output = {
                'name': name,
                'status': result.status,
                'transcript': result.transcript,
                'segments': result.segments if hasattr(result, 'segments') else []
            }
            self.results.append(output)
# ...
            if callback:
                callback(output)
            return output
        except Exception as e:
            self.failed.append({'name': name, 'error': str(e)})
            return None
# ...
    def batch_transcribe(self, audio_files, locale="zh-CN", diarization=True):
        """批量转写"""
        with ThreadPoolExecutor(max_workers=self.max_workers) as executor:
            futures = []
            for audio in audio_files:
                future = executor.submit(
                    self.submit_transcription,
                    audio['url'], audio['name'], locale, diarization
                )
                futures.append(future)
# ...
            for future in as_completed(futures):
                future.result()
# ...
        return {'success': self.results, 'failed': self.failed}
# ...
    def export_results(self, format='srt', output_dir='./transcripts'):
        """导出转写结果"""
        os.makedirs(output_dir, exist_ok=True)
        for result in self.results:
            if format == 'srt':
                self._export_srt(result, output_dir)
            elif format == 'vtt':
                self._export_vtt(result, output_dir)
            elif format == 'json':
                self._export_json(result, output_dir)
# ...
    def _export_srt(self, result, output_dir):
        path = os.path.join(output_dir, f"{result['name']}.srt")
        with open(path, 'w', encoding='utf-8') as f:
            for i, seg in enumerate(result['segments'], 1):
                start = self._format_time(seg.start_time)
                end = self._format_time(seg.end_time)
                speaker = f"[{seg.speaker}] " if hasattr(seg, 'speaker') else ""
                f.write(f"{i}\n{start} --> {end}\n{speaker}{seg.text}\n\n")
# ...
    def _format_time(self, seconds):
        h = int(seconds // 3600)
        m = int((seconds % 3600) // 60)
        s = int(seconds % 60)
        ms = int((seconds % 1) * 1000)
        return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
```- 验证执行结果,确认输出符合预期格式
- 异常时参考错误处理章节进行恢复
- 关键参数: `批量转写队列管理` 选项

#
## 适用场景

### 场景一:企业会议实时字幕

企业会议系统实时生成字幕与会议纪要.
```python
# 会议实时字幕系统
meeting_manager = BatchTranscriptionManager(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    key=os.environ["TRANSCRIPTION_KEY"]
)
# ...
# 实时流式转写会议音频
stream = client.begin_stream_transcription(locale="zh-CN")
# ...
print("=== 会议实时字幕 ===")
for event in stream:
    if not event.is_partial:
        timestamp = event.timestamp
        print(f"[{timestamp}] {event.text}")
# ...
# 会后批量处理录音(带说话人分离)
meeting_manager.submit_transcription(
    audio_url="https://<storage>/meetings/full_meeting.wav",
    name="quarterly-review-20260118",
    locale="zh-CN",
    diarization=True
)

场景二:客服通话批量转写

客服中心批量转写通话录音,用于质检与分析.

# 批量转写客服通话
manager = BatchTranscriptionManager(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    key=os.environ["TRANSCRIPTION_KEY"],
    max_workers=5
)
# ...
# 定义批量任务
call_recordings = [
    {"url": "https://<storage>/calls/call_001.wav", "name": "call_001"},
    {"url": "https://<storage>/calls/call_002.wav", "name": "call_002"},
    {"url": "https://<storage>/calls/call_003.wav", "name": "call_003"},
    {"url": "https://<storage>/calls/call_004.wav", "name": "call_004"},
    {"url": "https://<storage>/calls/call_005.wav", "name": "call_005"},
]
# ...
# 批量转写(启用说话人分离)
results = manager.batch_transcribe(call_recordings, locale="zh-CN", diarization=True)
# ...
# 导出为SRT格式
manager.export_results(format='srt', output_dir='./call_transcripts')
# ...
print(f"成功: {len(results['success'])}, 失败: {len(results['failed'])}")

场景三:多语言视频字幕批量生成

视频平台批量生成多语言字幕.

# 多语言字幕生成
video_manager = BatchTranscriptionManager(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    key=os.environ["TRANSCRIPTION_KEY"],
    max_workers=3
)
# ...
# 中文视频生成中文字幕
chinese_videos = [
    {"url": "https://<storage>/videos/video_cn_01.wav", "name": "video_cn_01"},
    {"url": "https://<storage>/videos/video_cn_02.wav", "name": "video_cn_02"},
]
video_manager.batch_transcribe(chinese_videos, locale="zh-CN", diarization=False)
video_manager.export_results(format='vtt', output_dir='./subtitles/zh-CN')
# ...
# 英文视频生成英文字幕
english_videos = [
    {"url": "https://<storage>/videos/video_en_01.wav", "name": "video_en_01"},
    {"url": "https://<storage>/videos/video_en_02.wav", "name": "video_en_02"},
]
video_manager.batch_transcribe(english_videos, locale="en-US", diarization=False)
video_manager.export_results(format='vtt', output_dir='./subtitles/en-US')

使用流程

1. 环境准备

# 依赖说明
pip install azure-ai-transcription
# ...
# 配置环境变量
export TRANSCRIPTION_ENDPOINT="https://<resource>.cognitiveservices.azure.com"
export TRANSCRIPTION_KEY="API_KEY"

2. 实时转写

import os
from azure.ai.transcription import TranscriptionClient
# ...
# 启动实时转写
stream = client.begin_stream_transcription(locale="zh-CN")
stream.send_audio_file("audio.wav")
# ...
for event in stream:
    print(event.text)

3. 批量转写

manager = BatchTranscriptionManager(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    key=os.environ["TRANSCRIPTION_KEY"]
)
# ...
results = manager.batch_transcribe(
    audio_files=[{"url": "https://<storage>/audio.wav", "name": "test"}],
    locale="zh-CN",
    diarization=True
)
# ...
manager.export_results(format='srt')

输入格式

参数名类型必填说明
contentstringazure-transcription处理的内容输入
contentstringazure-transcription处理的内容输入
stylestring输出风格, 参考 references/style.md

输出格式

{
  "success": true,
  "data": {
    result: "transcription 相关配置参数",
    result: "transcription 相关配置参数",
    result: "transcription 相关配置参数",
    "metadata": {
      "template_used": "reviewer",
      "word_count": 0,
      "style": "专业"
    }
  },
  "error": null
}

输出模板参考: assets/output.json

异常处理

错误场景原因处理方式
配置错误参数缺失或格式错误检查依赖说明中的配置要求
运行时错误运行环境不满足确认运行环境符合依赖说明
网络错误连接超时或不可达

依赖说明

运行环境

  • Agent平台: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等)
  • 操作系统: Windows / macOS / Linux
  • Python版本: 3.8及以上

第三方依赖

依赖项类型是否必需获取方式
LLM APIAPI必需由Agent内置LLM提供
Python 3运行时必需python.org 下载安装
azure-ai-transcriptionPython SDK必需pip install azure-ai-transcription
Azure认知服务云服务必需Azure门户创建资源
concurrent.futuresPython标准库必需Python自带

API Key 配置

  • TRANSCRIPTION_ENDPOINT:Azure认知服务端点URL
  • TRANSCRIPTION_KEY:Azure认知服务订阅密钥
  • 与免费版使用相同的认证配置,完全兼容

可用性分类

  • 分类: MD+EXEC(纯Markdown指令,核心功能需要exec命令行执行能力)
  • 说明: 基于Markdown的AI Skill,通过自然语言指令驱动Agent执行专业语音转写任务。支持实时流式转写、说话人分离、批量队列等企业级功能,通过Python SDK调用Azure AI服务。与免费版完全兼容,可直接复用免费版的认证配置与基础转写流程. API Key配置方式:
export API_KEY="your_api_key_here"

配置后需重启会话或开启新终端生效。API Key应妥善保管,避免泄露到版本控制系统.

案例展示

转写参数配置

参数说明免费版专业版
locale语言代码支持支持
diarization_enabled说话人分离不支持支持
max_speakers最大说话人数不支持可配置
custom_model自定义模型不支持支持
profanity_filter敏感词过滤不支持支持
punctuation标点恢复不支持支持

输出格式对比

格式用途特点
纯文本文档归档最简格式
SRT视频字幕带序号与时间戳
VTTWeb视频字幕HTML5标准
JSON程序处理含完整元数据

常见问题

Q1:实时转写有延迟怎么办?

实时转写延迟受网络条件影响。建议使用稳定的网络连接,并适当增大音频缓冲区.

Q2:说话人分离准确率如何提升?

确保音频质量良好,说话人间隔清晰。设置合理的max_speakers参数,避免过多或过少.

Q3:批量转写如何处理失败任务?

专业版BatchTranscriptionManager自动记录失败任务,可通过retry_failed方法重试.

Q4:自定义语音模型如何接入?

在Azure门户训练自定义模型后,在转写配置中指定custom_model参数即可.

Q5:与免费版的API配置是否兼容?

完全兼容。专业版与免费版使用相同的TRANSCRIPTION_ENDPOINT和TRANSCRIPTION_KEY配置.

错误处理

错误场景2原因处理方式
LLM响应超时或无响应网络延迟或模型负载过高,请求;确认Agent平台LLM服务正常
输入内容格式不正确用户输入不符合skill预期格式检查输入是否符合skill使用说明中的格式要求,参考示例章节
执行结果与预期不符指令描述不够明确或上下文不足提供更详细的指令描述,补充必要的上下文信息
命令执行失败运行环境不满足要求或权限不足确认运行环境符合依赖说明中的要求;检查命令权限设置

已知限制

  • 需要API Key,无Key环境无法使用
  • 依赖云服务,需要网络连接

评论

加载中…