SenseVoiceSmall 是什么
SenseVoiceSmall 被介绍为一款具备多种语音理解能力的语音基础模型,涵盖自动语音识别(ASR)、口语语言识别(LID)、语音情感识别(SER)和音频事件检测(AED)。其小型模型采用非自回归端到端框架,模型经过超过 40 万小时的数据训练,支持超过 50 种语言。
你可以用它做什么
- 识别语音并转换为文本
- 识别语音中的语种
- 识别语音中携带的情感
- 检测背景音乐、掌声、笑声等音频事件
模型说明
- 经过超过 40 万小时的数据训练
- 支持超过 50 种语言
- 小型模型处理 10 秒音频仅需 70 毫秒
- 资料说明比 Whisper-Large 快 15 倍
上手流程
- 安装必要的库和依赖,如 funasr
- 导入 AutoModel 和 rich_transcription_postprocess
- 设置模型路径和设备并初始化模型
- 使用 generate 方法传入音频文件路径和语言参数
优点与缺点
✓ 我们认可的地方
- 提供便捷的微调脚本和策略
- 服务部署管道支持多并发请求
- 客户端语言包括 Python、C++、HTML、Java 和 C#
! 需要留意的地方
- 70 毫秒这一数字针对小型模型处理 10 秒音频
- 识别通过资料记录的模型与部署管道提供
- 音频事件检测列出背景音乐、掌声与笑声
常见问题
列出哪些能力?
自动语音识别、口语语言识别、语音情感识别与音频事件检测。
小型模型有多快?
资料说明处理 10 秒音频需 70 毫秒,比 Whisper-Large 快 15 倍。
最后评测: 2026-11-15