Microsoft实时语音转录怎么用 音频转文字教程

Microsoft MAI-Transcribe是微软推出的实时语音转录工具，支持多人说话识别和音频文件转文字，通过Azure云服务使用。它目前通过Azure Speech相关资源调用，操作前要准备Azure订阅、Speech资源和密钥；下面按“创建资源—上传录音—查看结果”来走，实时麦克风转录则需要使用对应的语音服务接口或SDK。

第一步：登录Azure并创建Speech资源

打开Azure门户并登录微软账号，在搜索框输入“Speech”，进入语音服务创建页面。选择订阅和资源组；没有资源组时点“新建”并填写名称。再选服务区域、定价层和资源名称，检查设置后点“查看 + 创建”，通过验证后点“创建”。部署完成后点“转到资源”。

第二步：找到密钥和区域信息

进入刚创建的Speech资源，在左侧菜单打开“密钥和终结点”或“Keys and Endpoint”。把其中一个密钥和资源区域记下来，后续调用时要填入。密钥相当于访问凭证，不要贴到公开网页、截图或共享文档里；如果怀疑泄露，回到此页面重新生成密钥，并更新使用它的程序配置。

第三步：准备音频文件或麦克风

转录已有录音时，先把文件整理成清晰、连续的音频；MAI-Transcribe文档列出的常见输入格式包括WAV、MP3和FLAC。若要现场转录，准备好麦克风并检查系统是否允许浏览器或应用访问。多人会议尽量让发言者轮流说话、减少背景噪声，能明显降低识别错字和说话人混淆的情况。

第四步：用MAI-Transcribe转录录音

MAI-Transcribe不是门户里一个可直接点开的普通网页转录按钮，通常要通过Speech API或应用程序调用。打开项目的请求配置，将模型设为“MAI-Transcribe-2”，并启用增强模式；按接口要求选择文件输入、语言等参数，再填入Speech资源区域和密钥，发起请求。首次使用先拿短音频测试配置是否正确。

第五步：设置语言和多人说话识别

在请求参数里设置录音主要语言；不确定语言时，查看所用接口是否支持自动语言识别。要区分发言者，开启diarization（说话人分离），结果会附带类似Speaker 1的标记，不能自动知道真实姓名。也可把人名、产品名和行业词加入短语提示列表，帮助模型识别生僻词，但仍需人工核对。

第六步：实时转录麦克风语音

要边说边出字，使用Azure Speech的实时语音转文本能力，通过Speech SDK、Speech CLI或适用的实时接口连接麦克风；MAI-Transcribe的录音文件转录配置不能直接当作网页上的实时按钮。程序启动后按提示授权麦克风，选择语言并开始识别；看到中间结果后继续说话，结束时停止识别，再保存最终文本。

第七步：查看、校对并导出文本

请求完成后查看返回结果中的识别文本、说话人标记和时间信息；若配置了词级时间戳，结果还会带有单词对应的时间位置。先试听专有名词、数字、否定词和多人交谈重叠处，再按需要复制到文档中保存。会议纪要适合清理口头语，访谈或质检记录则可保留原话并复核发言者。

第八步：国内替代方案怎么选

如果不想先配置Azure资源，可试试国内网页工具音述AI，按网站页面提示上传录音并查看识别结果。打开yinshu.me进入服务后，选择音频转文字入口、上传文件并提交；完成后检查识别文本再复制或下载。不同工具的功能和格式限制可能不同，上传前先确认页面说明。