Azure Transcription Tool Free

使用Azure AI进行批量语音转文字，支持基础转写与时间戳，适合个人用户处理音频。

Azure语音转写免费版

概述

Azure语音转写免费版是一款面向个人用户的轻量级语音转文字工具，基于Azure AI Transcription SDK实现。支持批量转写存储在Blob中的音频文件，自动生成带时间戳的转写结果。几行Python代码即可完成音频到文字的转换，适合播客、会议录音、视频字幕等场景。

核心能力

能力	说明
批量转写	将存储在Blob中的音频文件批量转写为文字
多语言支持	支持中文、英文等数十种语言识别
时间戳输出	生成带时间戳的转写结果，便于字幕制作
格式兼容	支持WAV、MP3等主流音频格式
简易API	Python SDK，几行代码完成转写
技术实现要点：核心能力基于input_params参数与output_format配置实现,支持创建/查询/修改/删除等操作模式,通过config_options进行运行时配置。

核心功能执行

用input_params参数进行配置。

输入: 用户提供核心功能执行所需的指令和必要参数。 处理: 按照skill规范执行核心功能执行操作,遵循单一意图原则。 输出: 返回核心功能执行的执行结果,包含操作状态和输出数据。

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

参数配置与调用

用config_options参数进行配置。

输入: 用户提供参数配置与调用所需的指令和必要参数。 处理: 按照skill规范执行参数配置与调用操作,遵循单一意图原则。 输出: 返回参数配置与调用的执行结果,包含操作状态和输出数据。

• 执行此能力时使用config_options参数,支持修改/重置/导入操作

结果处理与输出

用output_format参数进行配置。

输入: 用户提供结果处理与输出所需的指令和必要参数。 处理: 按照skill规范执行结果处理与输出操作,遵循单一意图原则。 输出: 返回结果处理与输出的执行结果,包含操作状态和输出数据。

• 执行此能力时使用output_format参数,支持导出/保存/转换操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：Azure、进行批量语音转文、支持基础转写与时、适合个人用户处理、语音转写免费版、面向个人用户的轻、量级语音转文字工、批量语音转文字、支持存储在、自动语言识别、英文等多种语言、简单的等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持。

使用场景

场景一：播客录音转文字

个人播客创作者将录制好的音频转写为文字稿，用于发布文章或生成字幕。

python

import os
from azure.ai.transcription import TranscriptionClient

# 初始化客户端
client = TranscriptionClient(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    credential=os.environ["TRANSCRIPTION_KEY"]
)

# 批量转写播客音频
job = client.begin_transcription(
    name="podcast-episode-01",
    locale="zh-CN",
    content_urls=["https://<storage>.blob.core.windows.net/podcast/episode01.wav"]
)

result = job.result()
print(f"转写状态: {result.status}")
print(f"转写内容: {result.transcript}")

场景二：会议录音整理

将会议录音转写为文字，便于后续整理会议纪要。

python

# 会议录音转写
meeting_job = client.begin_transcription(
    name="team-meeting-20260118",
    locale="zh-CN",
    content_urls=["https://<storage>.blob.core.windows.net/meetings/meeting.wav"],
    diarization_enabled=False  # 免费版不启用说话人分离
)

result = meeting_job.result()

# 输出带时间戳的转写结果
for segment in result.segments:
    print(f"[{segment.start_time} - {segment.end_time}] {segment.text}")

场景三：视频字幕生成

为视频生成中文字幕文件。

python

# 视频音频轨转写为字幕
subtitle_job = client.begin_transcription(
    name="video-subtitle",
    locale="zh-CN",
    content_urls=["https://<storage>.blob.core.windows.net/videos/audio_track.wav"]
)

result = subtitle_job.result()

# 生成SRT字幕文件
def generate_srt(segments, output_path):
    with open(output_path, 'w', encoding='utf-8') as f:
        for i, seg in enumerate(segments, 1):
            start = format_timestamp(seg.start_time)
            end = format_timestamp(seg.end_time)
            f.write(f"{i}\n{start} --> {end}\n{seg.text}\n\n")

def format_timestamp(seconds):
    hours = int(seconds // 3600)
    minutes = int((seconds % 3600) // 60)
    secs = int(seconds % 60)
    millis = int((seconds % 1) * 1000)
    return f"{hours:02d}:{minutes:02d}:{secs:02d},{millis:03d}"

generate_srt(result.segments, "subtitle.srt")
print("字幕文件已生成: subtitle.srt")

不适用场景

以下场景Azure语音转写免费版不适合处理：

• 专业医学法律翻译认证
• 同声传译
• 文学创作翻译

触发条件

需要文本翻译、多语言转换、本地化处理时使用。不适用于非本工具能力范围的需求。

快速开始

1. 阅读## 核心能力章节了解skill功能
2. 按## 依赖说明配置环境
3. 执行所需能力对应的命令
4. 参考## 错误处理章节处理异常
5. 查看## FAQ解答常见疑问

依赖详情

bash

pip install azure-ai-transcription

2. 配置环境变量

bash

export TRANSCRIPTION_ENDPOINT="https://<resource>.cognitiveservices.azure.com"
export TRANSCRIPTION_KEY="配置值"

3. 执行转写

python

import os
from azure.ai.transcription import TranscriptionClient

client = TranscriptionClient(
    endpoint=os.environ["TRANSCRIPTION_ENDPOINT"],
    credential=os.environ["TRANSCRIPTION_KEY"]
)

# 最简转写
job = client.begin_transcription(
    name="my-audio",
    locale="zh-CN",
    content_urls=["https://<storage>/audio.wav"]
)

result = job.result()
print(result.transcript)

示例

环境变量配置

bash

# .env 文件
TRANSCRIPTION_ENDPOINT=https://myresource.cognitiveservices.azure.com
TRANSCRIPTION_KEY=your_subscription_key_here

支持的语言代码

语言	locale代码
中文（简体）	zh-CN
中文（繁体）	zh-TW
英语（美国）	en-US
英语（英国）	en-GB
日语	ja-JP
韩语	ko-KR
法语	fr-FR
德语	de-DE

音频格式要求

格式	推荐采样率	说明
WAV	16kHz, 16-bit	推荐格式，无损
MP3	16kHz+	有损压缩，兼容性好
FLAC	16kHz+	无损压缩

最佳实践

1. 音频质量：使用清晰的录音，背景噪音越少识别准确率越高
2. 语言指定：始终指定正确的locale，可显著提升识别准确率
3. 文件格式：推荐使用WAV格式，16kHz采样率获得最佳效果
4. Blob存储：音频文件需存储在可公开访问的Blob URL中
5. 结果轮询：批量转写为异步操作，需轮询结果直到完成
6. 错误处理：添加超时和重试机制，处理网络异常

常见问题

Q1：转写结果准确率不高怎么办？

确保音频质量良好，背景噪音少。指定正确的locale语言代码。对于专业领域内容，可考虑使用自定义语音模型。

Q2：支持本地文件转写吗？

免费版需要音频文件存储在可访问的Blob URL中。如需处理本地文件，需先上传至Blob存储。

Q3：转写需要多长时间？

转写时间取决于音频时长。通常处理速度约为音频时长的0.5-1倍。

已知限制

免费版受Azure免费层级限制，每月有固定的转写时长额度。如需更大用量，建议升级至PRO版本。

Q5：如何获取时间戳信息？

转写结果的segments属性包含每段文字的开始时间和结束时间，可用于字幕生成。

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux
• Python版本: 3.8及以上

第三方依赖

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供
Python 3	运行时	必需	python.org 下载安装
azure-ai-transcription	Python SDK	必需	pip install azure-ai-transcription
Azure认知服务	云服务	必需	Azure门户创建资源

API Key 配置

• TRANSCRIPTION_ENDPOINT：Azure认知服务端点URL
• TRANSCRIPTION_KEY：Azure认知服务订阅密钥
• 使用订阅密钥认证（不支持DefaultAzureCredential）

可用性分类

• 分类: MD+EXEC（纯Markdown指令，核心功能需要exec命令行执行能力）
• 说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent执行语音转写任务。核心转写功能通过Python SDK调用Azure AI服务实现。
• API Key通过环境变量配置: export API_KEY=your_key

错误处理

错误场景	原因	处理方式
配置错误	参数缺失或格式错误	检查依赖说明中的配置要求
运行时错误	运行环境不满足	确认运行环境符合依赖说明
网络错误	连接超时或不可达	执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案