如何用Azure Cognitive Services生成区分说话人的JSON格式对话？

要实现Azure认知服务的说话人区分并输出结构化JSON/按说话人拆分文本，你需要启用**说话人区分（Speaker Diarization）**功能，以下是完整的C#实现步骤及代码：

1. 安装依赖 #

首先安装NuGet包：

Install-Package Microsoft.CognitiveServices.Speech

2. 核心实现代码 #

using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;
using System.Text.Json;
using System.Collections.Generic;
using System.Threading.Tasks;
using System.IO;

class SpeakerDiarizationDemo
{
    static async Task Main(string[] args)
    {
        // 替换为你的Azure语音服务订阅密钥和区域
        string subscriptionKey = "YOUR_SUBSCRIPTION_KEY";
        string region = "YOUR_REGION";
        // 替换为你的音频文件路径（或从存储账户获取的流）
        string audioFilePath = "path/to/your/audio.wav";

        // 配置语音服务，启用说话人区分
        var speechConfig = SpeechConfig.FromSubscription(subscriptionKey, region);
        speechConfig.SetProperty("SpeechServiceConnection_DiarizationEnabled", "true");
        // 指定对话中的说话人数量（可选，能提升识别精度）
        speechConfig.SetProperty("SpeechServiceConnection_NumberOfSpeakers", "2");

        // 加载音频文件（如果是从Azure存储读取，可用AudioConfig.FromStreamInput()传入Blob流）
        using var audioConfig = AudioConfig.FromWavFileInput(audioFilePath);
        using var recognizer = new SpeechRecognizer(speechConfig, audioConfig);

        // 存储每个说话人的语句
        var speakerUtterances = new List<(string SpeakerId, string Text)>();

        // 监听识别结果事件
        recognizer.Recognized += (sender, e) =>
        {
            if (e.Result.Reason == ResultReason.RecognizedSpeech)
            {
                // 提取说话人ID
                string speakerId = e.Result.Properties.GetProperty(PropertyId.SpeechServiceConnection_DiarizationSpeakerId);
                speakerUtterances.Add((speakerId, e.Result.Text));
            }
        };

        // 启动连续识别（适合长音频）
        await recognizer.StartContinuousRecognitionAsync();
        // 等待识别完成（可根据音频时长调整，或监听SessionStopped事件）
        await Task.Delay(TimeSpan.FromSeconds(30));
        await recognizer.StopContinuousRecognitionAsync();

        // --- 按对话顺序合并同一说话人的连续语句 ---
        var mergedDialog = new List<(string SpeakerId, string FullText)>();
        foreach (var utterance in speakerUtterances)
        {
            if (mergedDialog.Count == 0 || mergedDialog.Last().SpeakerId != utterance.SpeakerId)
            {
                mergedDialog.Add((utterance.SpeakerId, utterance.Text));
            }
            else
            {
                var lastItem = mergedDialog.Last();
                mergedDialog.RemoveAt(mergedDialog.Count - 1);
                mergedDialog.Add((lastItem.SpeakerId, $"{lastItem.FullText} {utterance.Text}"));
            }
        }

        // 输出你期望的格式
        Console.WriteLine("按说话人拆分的对话：");
        foreach (var item in mergedDialog)
        {
            Console.WriteLine(item.FullText);
        }

        // --- 生成JSON格式输出 ---
        var jsonResult = JsonSerializer.Serialize(mergedDialog, new JsonSerializerOptions { WriteIndented = true });
        Console.WriteLine("\nJSON格式对话结果：");
        Console.WriteLine(jsonResult);

        // 保存JSON到文件
        File.WriteAllText("对话结果.json", jsonResult);
    }
}

关键说明 #

• 说话人区分配置：必须设置SpeechServiceConnection_DiarizationEnabled为true，指定NumberOfSpeakers能提升识别准确率
• 说话人ID提取：通过PropertyId.SpeechServiceConnection_DiarizationSpeakerId从识别结果中获取唯一说话人标识
• 音频输入：支持本地文件、内存流（适配Azure存储Blob的读取场景）
• 连续识别模式：适合处理较长的通话录音，避免单次识别长度限制

内容的提问来源于stack exchange，提问作者pdx_boats