体验 Speech 语音服务

本章完成两件事：把一段中文生成音频，再上传这段音频得到转写文本。先确认自己正在使用正确的 Foundry 资源和项目；Speech 的区域、并发及计费与 GPT 部署 TPM 分别管理。

先看一次点击演示

点击“播放演示”，查看指针移动和点击位置；可以暂停，或逐步查看。演示使用真实页面截图，完整页面和填写说明见下方步骤。

操作演示Speech 文本转语音

待播放

当前操作

在项目的服务页，点击 Azure 语音卡片。

操作路径：Foundry → 顶部 Build（本次中文页面显示“版本”）→ 左侧“服务 / Services”→“Azure 语音”。

在“操场 / Playgrounds”中分别找到“文本转语音”和“语音转文本”。先打开文本转语音。

进入文本转语音页面，在左侧“声音 / Voice”选择 Xiaoxiao。若常用列表没有该声音，选择“Browse all voices / 浏览全部声音”，搜索并点击 Xiaoxiao 名称，再保存。

不要把它与 Xiaoxiao (Dialects) 混淆；最后到“调用服务”核对完整语音标识。

回到页面，将“模型”设为“神经网络 / Neural”。本例最终语音名称为 zh-CN-XiaoxiaoNeural，中文普通话声音。初始声音与模型可能因页面版本而变化；如果提供语言选项，再明确选择“中文（普通话，简体）”。

在“预览 → 文本输入”中输入以下内容，再点击“播放”。

欢迎使用玖云 Learn。正在测试语音合成服务。

合成完成后点击“下载”。本次已经在页面实际合成并下载 WAV；下一步可直接上传自己刚下载的音频。

点击右侧“调用服务 / Call service”。核对语音名称、项目终结点与资源密钥，再按页面生成的 Speech SDK 示例接入。公开截图已遮挡密钥；客户应从自己的资源获取。

参数	示例与填写方法
语音名称	zh-CN-XiaoxiaoNeural
Speech 终结点	使用页面提供的 cognitiveservices.azure.com 地址
区域	使用实际资源区域；本例为 eastus2
密钥	从同一资源获取，通过环境变量或组织密钥管理方案提供

Speech 终结点与前面模型的 Responses 地址承担不同功能，不能直接互换。应用接入优先参考官方 Speech SDK 快速入门。

点击页面左上方“返回”，回到 Azure 语音功能列表，打开“Azure 语音 - 语音转文本”。

在左侧参数中，把“语言”设为“中文（普通话，简体）”。本例是单人短音频，先保留其余基础选项。

在“上传文件”区域点击“浏览文件”，选择前面生成的 WAV。等待听录完成，在右侧查看转写；上传文件后可能自动开始处理。

本次网页与接口均实际返回：“欢迎使用九云learn正在测试语音合成服务。”。其中“玖云”被识别成了“九云”，专有名称、标点和英文大小写仍需人工复核；可进一步评估短语列表等能力。

检查项	本次结果
网页文本转语音	已实际播放并下载音频
网页语音转文本	已上传 WAV，返回中文转写
文本转语音接口	HTTP 200，生成 16 kHz、单声道、约 4.71 秒 WAV
短音频识别接口	HTTP 200，RecognitionStatus 为 Success

最后两项使用同一标准语音与测试文本进行独立接口验证。16 kHz 文件用于短音频 REST 测试；网页的采样率选项可能不同。长音频、批量听录和实时流式场景应分别选择官方对应接口。

现象	检查方向
找不到中文声音	清除多余筛选，再搜索声音名，并检查资源区域支持
语音名称与预期不一致	同时核对声音卡片和模型，最后到调用服务确认完整标识
上传后听录为空或语言错误	检查音频可正常播放、识别语言、音频格式和时长
401 / 403	Speech 密钥、资源、区域和访问权限是否对应
429	查看 Speech 自身配额与并发；提高 GPT TPM 不会提高 Speech 配额