Azure Speech to Text REST API：如何通过音频URL实现语音转文字？

一、前置准备 #

• 已创建Azure Speech资源，从Azure门户的「密钥和终结点」页面获取资源密钥和对应的区域代码（例如eastus）
• 待转写的音频文件需托管在公开可访问的HTTP/HTTPS地址；如果存在Azure Blob私有容器中，要生成带读取权限的SAS令牌，拼接在Blob URL后使用

二、调用批量转录API（异步流程） #

通过音频URL转写需要使用批量转录REST API，流程如下：

1. 创建转录任务 #

发送POST请求到对应区域的批量转录终结点：

POST https://<你的区域代码>.cris.ai/api/speechtotext/v3.2/transcriptions

请求头需包含：

• Ocp-Apim-Subscription-Key: <你的Speech资源密钥>
• Content-Type: application/json

请求体示例（JSON格式）：

{
  "contentUrls": [
    "https://example.com/your-audio-file.wav"
  ],
  "properties": {
    "diarizationEnabled": false,
    "wordLevelTimestampsEnabled": false,
    "punctuationMode": "DictatedAndAutomatic",
    "profanityFilterMode": "Masked"
  },
  "locale": "zh-CN",
  "displayName": "自定义转录任务名称"
}

参数说明：

• contentUrls: 填入音频文件的公开URL，支持同时传入多个地址
• locale: 音频的语言代码，中文填zh-CN，英文填en-US，其他语言参考官方支持列表
• properties内的参数可按需调整：比如需要区分说话人就开启diarizationEnabled，需要词级时间戳就打开wordLevelTimestampsEnabled

2. 查询转录进度 #

任务创建成功后，响应会返回一个self字段的URL。用这个URL发送GET请求（请求头同样带资源密钥），即可查看任务状态：

• 状态为Running时表示正在处理
• 状态变为Succeeded时，响应中的resultsUrls.transcriptsUrl就是转录结果的下载地址

3. 获取转写文本 #

直接访问transcriptsUrl（临时公开地址，无需密钥），下载得到的JSON文件中，combinedRecognizedPhrases字段下的display值就是完整的转写文本。

三、关键注意事项 #

• 支持的音频格式包括WAV、MP3、OGG等，需确保音频采样率、比特率符合Azure Speech服务的要求
• 大文件转录耗时较长，建议间隔1-2分钟查询一次状态，避免频繁请求
• 资源密钥属于敏感信息，绝对不要在前端代码或公开场景中暴露

内容的提问来源于stack exchange，提问作者sariga ms