跳到正文

SenseVoiceSmall

集识别、语种、情感与事件于一体的语音模型

访问官网

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

更多 AI 音频工具 工具

查看全部 →

评测方法