使用Microsoft Azure audio-to-speech API实现说话人识别的方案咨询

基于现有API的实现方式 #

你正在使用的Azure语音服务（原Speech to Text API）本身已内置说话人分割聚类（Diarization）能力，无需额外接入新API，直接调整原有调用参数即可开启：

• 批量长音频转写场景：调用BatchTranscription接口时，在请求参数中将diarizationEnabled设为true，同时可根据场景配置diarization.speakers参数指定最大识别说话人数量（支持1_2人、35人两个区间选项），最终转写结果中每段内容会自动携带speakerId字段，用来区分不同的说话人。
• 实时流转写场景：调用实时语音转文字接口时切换为conversationTranscription模式，即可自动区分不同说话人，输出结果同样携带对应的说话人标识。

提示：该能力目前仅支持简体中文、英文、西班牙语、法语、德语、意大利语、葡萄牙语、日语8种语言，输入音频为16KHz采样率的单声道音频时识别准确率最优。

其他相关API补充（如需绑定具体说话人身份） #

如果你不仅需要区分不同说话人，还需要匹配到具体的人员身份，可以搭配使用Azure说话人识别API：

• 提前为每个需要识别的说话人上传3段以上、每段不短于30秒的清晰语音样本，生成对应说话人的特征档案
• 转写完成后将分割出的单说话人语音片段调用说话人验证接口，和已有的特征档案做比对，即可完成身份匹配。

内容的提问来源于stack exchange，提问作者Sergio Gonzales