转录流式音频

聚焦模式

转录流式音频 - Amazon Transcribe

使用 Amazon Transcribe 流媒体，您可以为媒体内容制作实时转录。与涉及上传媒体文件的批量转录不同，流媒体是实时传送到 Amazon Transcribe 的。 Amazon Transcribe 然后返回笔录，也是实时的。

流式媒体可以包括预先录制的媒体（电影、音乐和播客）和实时媒体（新闻直播）。常见的直播用例 Amazon Transcribe 包括体育赛事的直播隐藏式字幕和呼叫中心音频的实时监控。

流式媒体内容以一系列顺序数据包或“组块”的形式传送， Amazon Transcribe 即时转录这些内容。与批处理相比，使用流媒体的优势包括应用程序中的实时 speech-to-text功能和更快的转录时间。但是，在某些情况下，这种速度的提高可能会影响准确性。

Amazon Transcribe 提供以下直播选项：

要在中转录流式音频 AWS Management Console，请对着电脑麦克风说话。

有关 SDK 代码示例，请参阅上的AWS 示例存储库 GitHub。

流式转录支持的音频格式有：

建议使用无损格式（FLAC 或 PCM）。

并非所有语言都支持流式转录。有关详细信息，请参阅支持的语言表中的“数据输入”列。

要查看流媒体转录的 Amazon Transcribe 区域可用性，请参阅：Amazon Transcribe 终端节点和配额。

最佳实践

以下建议可提高流式转录的效率：

如果可能，请使用 PCM 编码的音频。
请确保您的音频流尽可能接近实时传输。
延迟取决于音频组块的大小。如果您能够使用音频类型（例如使用 PCM）指定组块大小，请将每个组块设置为 50 毫秒到 200 毫秒之间。您可以通过以下公式计算音频块大小：
```
chunk_size_in_bytes = chunk_duration_in_millisecond / 1000 * audio_sample_rate * 2
```
使用统一的组块大小。
确保正确指定了音频声道的数量。
对于单声道 PCM 音频，每个样本由两个字节组成，因此每个组块应由偶数字节组成。
对于双声道 PCM 音频，每个样本由四个字节组成，因此每个组块应是 4 字节的倍数。
当您的音频流不包含语音时，请编码并发送相同数量的无声音频。例如，PCM 的无声音频是一个零字节的音频流。
确保为音频指定正确的采样率。如果可能，请以 16000 Hz 的采样率进行录制；这在通过网络发送的质量和数据量之间做到了最佳折衷。请注意，大多数高端麦克风的录音频率为 44100 Hz 或 48000 Hz。