Azure OpenAI 转录

Spring AI 支持 Azure Whisper 模型。

先决条件

从 Azure Portal 上的 Azure OpenAI 服务部分获取您的 Azure OpenAI endpoint 和 api-key。Spring AI 定义了一个名为 spring.ai.azure.openai.api-key 的配置属性，您应该将其设置为从 Azure 获取的 API Key 的值。还有一个名为 spring.ai.azure.openai.endpoint 的配置属性，您应该将其设置为在 Azure 中配置模型时获得的端点 URL。导出环境变量是设置该配置属性的一种方法

自动配置

Spring AI 自动配置、starter 模块的 Artifact 名称发生了重大变化。有关更多信息，请参阅升级说明。

Spring AI 为 Azure OpenAI 转录生成客户端提供 Spring Boot 自动配置。要启用它，请将以下依赖项添加到您的项目的 Maven pom.xml 文件中

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-azure-openai</artifactId>
</dependency>

或添加到您的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-model-azure-openai'
}
请参阅依赖管理部分，将 Spring AI BOM 添加到您的构建文件中。

转录属性

音频转录自动配置的启用和禁用现在通过带有前缀 spring.ai.model.audio.transcription 的顶级属性进行配置。

要启用，设置 spring.ai.model.audio.transcription=azure-openai（默认已启用）

要禁用，设置 spring.ai.model.audio.transcription=none（或任何不匹配 azure-openai 的值）

此更改是为了允许配置多个模型。

前缀 spring.ai.openai.audio.transcription 用作属性前缀，允许您配置 OpenAI 图像模型的重试机制。

属性 描述 默认值

spring.ai.azure.openai.audio.transcription.enabled (已移除，不再有效)

启用 Azure OpenAI 转录模型。

true

spring.ai.model.audio.transcription

启用 Azure OpenAI 转录模型。

azure-openai

spring.ai.azure.openai.audio.transcription.options.model

要使用的模型的 ID。目前仅支持 whisper。

whisper

spring.ai.azure.openai.audio.transcription.options.deployment-name

部署模型时使用的部署名称。

spring.ai.azure.openai.audio.transcription.options.response-format

转录输出的格式，可以是以下选项之一：json、text、srt、verbose_json 或 vtt。

json

spring.ai.azure.openai.audio.transcription.options.prompt

一个可选的文本，用于引导模型的风格或继续之前的音频片段。prompt 应与音频语言匹配。

spring.ai.azure.openai.audio.transcription.options.language

输入音频的语言。以 ISO-639-1 格式提供输入语言将提高准确性和延迟。

spring.ai.azure.openai.audio.transcription.options.temperature

采样温度，介于 0 和 1 之间。较高的值（如 0.8）将使输出更随机，而较低的值（如 0.2）将使其更集中和确定。如果设置为 0，模型将使用对数概率自动增加温度，直到达到特定阈值。

0

spring.ai.azure.openai.audio.transcription.options.timestamp-granularities

此转录要填充的时间戳粒度。必须将 response_format 设置为 verbose_json 才能使用时间戳粒度。支持以下一个或两个选项：word 或 segment。注意：segment 时间戳没有额外延迟，但生成 word 时间戳会产生额外延迟。

segment

运行时选项

AzureOpenAiAudioTranscriptionOptions 类提供了进行转录时使用的选项。启动时，使用 spring.ai.azure.openai.audio.transcription 指定的选项，但您可以在运行时覆盖这些选项。

例如

AzureOpenAiAudioTranscriptionOptions.TranscriptResponseFormat responseFormat = AzureOpenAiAudioTranscriptionOptions.TranscriptResponseFormat.VTT;

AzureOpenAiAudioTranscriptionOptions transcriptionOptions = AzureOpenAiAudioTranscriptionOptions.builder()
    .language("en")
    .prompt("Ask not this, but ask that")
    .temperature(0f)
    .responseFormat(this.responseFormat)
    .build();
AudioTranscriptionPrompt transcriptionRequest = new AudioTranscriptionPrompt(audioFile, this.transcriptionOptions);
AudioTranscriptionResponse response = azureOpenAiTranscriptionModel.call(this.transcriptionRequest);

手动配置

将 spring-ai-openai 依赖项添加到您的项目的 Maven pom.xml 文件中

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-azure-openai</artifactId>
</dependency>

或添加到您的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-azure-openai'
}
请参阅依赖管理部分，将 Spring AI BOM 添加到您的构建文件中。

接下来，创建一个 AzureOpenAiAudioTranscriptionModel

var openAIClient = new OpenAIClientBuilder()
    .credential(new AzureKeyCredential(System.getenv("AZURE_OPENAI_API_KEY")))
    .endpoint(System.getenv("AZURE_OPENAI_ENDPOINT"))
    .buildClient();

var azureOpenAiAudioTranscriptionModel = new AzureOpenAiAudioTranscriptionModel(this.openAIClient, null);

var transcriptionOptions = AzureOpenAiAudioTranscriptionOptions.builder()
    .responseFormat(TranscriptResponseFormat.TEXT)
    .temperature(0f)
    .build();

var audioFile = new FileSystemResource("/path/to/your/resource/speech/jfk.flac");

AudioTranscriptionPrompt transcriptionRequest = new AudioTranscriptionPrompt(this.audioFile, this.transcriptionOptions);
AudioTranscriptionResponse response = this.azureOpenAiAudioTranscriptionModel.call(this.transcriptionRequest);