Microsoft實時語音轉錄怎麼用 音訊轉文字教程

Microsoft MAI-Transcribe是微軟推出的實時語音轉錄工具，支援多人說話識別和音訊檔案轉文字，透過Azure雲服務使用。它目前透過Azure Speech相關資源呼叫，操作前要準備Azure訂閱、Speech資源和金鑰；下面按“建立資源—上傳錄音—檢視結果”來走，實時麥克風轉錄則需要使用對應的語音服務介面或SDK。

第一步：登入Azure並建立Speech資源

開啟Azure門戶並登入微軟帳號，在搜尋框輸入“Speech”，進入語音服務建立頁面。選擇訂閱和資源組；沒有資源組時點“新建”並填寫名稱。再選服務區域、定價層和資源名稱，檢查設定後點“檢視 + 建立”，透過驗證後點“建立”。部署完成後點“轉到資源”。

第二步：找到金鑰和區域資訊

進入剛建立的Speech資源，在左側選單開啟“金鑰和終結點”或“Keys and Endpoint”。把其中一個金鑰和資源區域記下來，後續呼叫時要填入。金鑰相當於訪問憑證，不要貼到公開網頁、截圖或共享文件裡；如果懷疑洩露，回到此頁面重新生成金鑰，並更新使用它的程式配置。

第三步：準備音訊檔案或麥克風

轉錄已有錄音時，先把檔案整理成清晰、連續的音訊；MAI-Transcribe文件列出的常見輸入格式包括WAV、MP3和FLAC。若要現場轉錄，準備好麥克風並檢查系統是否允許瀏覽器或應用訪問。多人會議儘量讓發言者輪流說話、減少背景噪聲，能明顯降低識別錯字和說話人混淆的情況。

第四步：用MAI-Transcribe轉錄錄音

MAI-Transcribe不是門戶裡一個可直接點開的普通網頁轉錄按鈕，通常要透過Speech API或應用程式呼叫。開啟專案的請求配置，將模型設為“MAI-Transcribe-2”，並啟用增強模式；按介面要求選擇檔案輸入、語言等引數，再填入Speech資源區域和金鑰，發起請求。首次使用先拿短音訊測試配置是否正確。

第五步：設定語言和多人說話識別

在請求引數裡設定錄音主要語言；不確定語言時，檢視所用介面是否支援自動語言識別。要區分發言者，開啟diarization（說話人分離），結果會附帶類似Speaker 1的標記，不能自動知道真實姓名。也可把人名、產品名和行業詞加入短語提示列表，幫助模型識別生僻詞，但仍需人工核對。

第六步：實時轉錄麥克風語音

要邊說邊出字，使用Azure Speech的實時語音轉文字能力，透過Speech SDK、Speech CLI或適用的實時介面連線麥克風；MAI-Transcribe的錄音檔案轉錄配置不能直接當作網頁上的實時按鈕。程式啟動後按提示授權麥克風，選擇語言並開始識別；看到中間結果後繼續說話，結束時停止識別，再儲存最終文字。

第七步：檢視、校對並匯出文字

請求完成後檢視返回結果中的識別文字、說話人標記和時間資訊；若配置了詞級時間戳，結果還會帶有單詞對應的時間位置。先試聽專有名詞、數字、否定詞和多人交談重疊處，再按需要複製到文件中儲存。會議紀要適合清理口頭語，訪談或質檢記錄則可保留原話並複核發言者。

第八步：國內替代方案怎麼選

如果不想先配置Azure資源，可試試國內網頁工具音述AI，按網站頁面提示上傳錄音並檢視識別結果。開啟yinshu.me進入服務後，選擇音訊轉文字入口、上傳檔案並提交；完成後檢查識別文字再複製或下載。不同工具的功能和格式限制可能不同，上傳前先確認頁面說明。