Azure

Mastra 的 AzureVoice 類別使用 Microsoft Azure Cognitive Services 提供文字轉語音及語音轉文字功能。

使用範例

這需要 Azure Speech Services 憑證，你可以透過環境變數或直接在設定中提供憑證：

import { AzureVoice } from '@mastra/voice-azure'

// Initialize with configuration
const voice = new AzureVoice({
  speechModel: {
    apiKey: 'your-azure-speech-api-key', // Or use AZURE_API_KEY env var
    region: 'eastus', // Or use AZURE_REGION env var
    voiceName: 'en-US-AriaNeural', // Optional: specific voice for TTS
  },
  listeningModel: {
    apiKey: 'your-azure-speech-api-key', // Or use AZURE_API_KEY env var
    region: 'eastus', // Or use AZURE_REGION env var
    language: 'en-US', // Optional: recognition language for STT
  },
  speaker: 'en-US-JennyNeural', // Optional: default voice
})

// Convert text to speech
const audioStream = await voice.speak('Hello, how can I help you?', {
  speaker: 'en-US-GuyNeural', // Optional: override default voice
})

// Convert speech to text
const text = await voice.listen(audioStream)

設定

建構函數選項

speechModel?:

AzureSpeechConfig

文字轉語音合成的設定。

AzureSpeechConfig

apiKey?:

string

Azure Speech Services API 金鑰（並非 Azure OpenAI 金鑰）。如未提供，會改用 AZURE_API_KEY 環境變數。

region?:

string

Azure 區域（例如 'eastus'、'westeurope'）。如未提供，會改用 AZURE_REGION 環境變數。

voiceName?:

string

語音合成所用的語音 ID（例如 'en-US-AriaNeural'、'en-US-JennyNeural'）。只用於 speechModel。請參閱下方語音清單。

language?:

string

辨識語言代碼（例如 'en-US'、'fr-FR'）。只用於 listeningModel。

listeningModel?:

AzureSpeechConfig

語音轉文字辨識的設定。

AzureSpeechConfig

apiKey?:

string

Azure Speech Services API 金鑰（並非 Azure OpenAI 金鑰）。如未提供，會改用 AZURE_API_KEY 環境變數。

region?:

string

Azure 區域（例如 'eastus'、'westeurope'）。如未提供，會改用 AZURE_REGION 環境變數。

voiceName?:

string

語音合成所用的語音 ID（例如 'en-US-AriaNeural'、'en-US-JennyNeural'）。只用於 speechModel。請參閱下方語音清單。

language?:

string

辨識語言代碼（例如 'en-US'、'fr-FR'）。只用於 listeningModel。

speaker?:

string

語音合成的預設語音 ID。

方法

speak()

使用 Azure 的神經網絡文字轉語音服務，把文字轉換成語音。

input:

string | NodeJS.ReadableStream

要轉換成語音的文字或文字串流。

options?:

Options

設定選項。

Options

speaker?:

string

語音合成所用的語音 ID（例如 'en-US-JennyNeural'）。會覆寫預設語音。

傳回：Promise<NodeJS.ReadableStream> - WAV 格式的音訊串流

listen()

使用 Azure 的語音轉文字服務轉錄音訊。

audioStream:

NodeJS.ReadableStream

要轉錄的音訊串流。必須是 WAV 格式。

傳回：Promise<string> - 從音訊辨識出的文字

語言及辨識設定會在初始化時透過 listeningModel 設定，而非以選項形式傳入此方法。

getSpeakers()

傳回可用語音選項的陣列（超過 200 種語音），當中每個節點包含：

voiceId:

string

語音的唯一識別碼（例如 'en-US-JennyNeural'、'fr-FR-DeniseNeural'）

language:

string

從語音 ID 擷取的語言代碼（例如 'en'、'fr'）

region:

string

從語音 ID 擷取的區域代碼（例如 'US'、'GB'、'FR'）

傳回：Promise<Array<{ voiceId: string; language: string; region: string; }>>

重要事項

Azure Speech Services 與 Azure OpenAI 的分別

⚠️ 重要： 此套件使用 Azure Speech Services，與 Azure OpenAI Services 並不相同。

• 請勿在此套件使用你的 AZURE_OPENAI_API_KEY
• 請使用 Azure Speech Services 訂閱金鑰（可在 Azure Portal 的「Speech Services」下取得）
• 兩者是獨立的 Azure 資源，使用不同的 API 金鑰及端點

環境變數

你可以透過建構函數選項或環境變數提供 API 金鑰及區域：

• AZURE_API_KEY - 你的 Azure Speech Services 訂閱金鑰
• AZURE_REGION - 你的 Azure 區域（例如 'eastus'、'westeurope'）

語音功能

• Azure 提供超過 200 種神經網絡語音，涵蓋超過 50 種語言
• 每個語音 ID 均採用以下格式：{language}-{region}-{name}Neural（例如 'en-US-JennyNeural'）
• 部分語音支援多種語言或提供高清音質版本
• 音訊輸出為 WAV 格式
• 用於辨識的音訊輸入必須是 WAV 格式

可用語音

Azure 提供超過 200 種神經網絡語音，涵蓋多種語言。部分常用英語語音包括：

• 美式英語：

  • en-US-AriaNeural（女聲，預設）
  • en-US-JennyNeural（女聲）
  • en-US-GuyNeural（男聲）
  • en-US-DavisNeural（男聲）
  • en-US-AvaNeural（女聲）
  • en-US-AndrewNeural（男聲）

• 英式英語：

  • en-GB-SoniaNeural（女聲）
  • en-GB-RyanNeural（男聲）
  • en-GB-LibbyNeural（女聲）

• 澳洲英語：

  • en-AU-NatashaNeural（女聲）
  • en-AU-WilliamNeural（男聲）

如要取得全部超過 200 種語音的完整清單：

const voices = await voice.getSpeakers()
console.log(voices) // Array of { voiceId, language, region }

詳情請參閱 Azure Neural TTS 文件。