SenseVoice 是由阿里云通义实验室开发的多语言音频理解模型，专注于高精度的语音识别、情感辨识和音频事件检测。该模型经过超过 40 万小时的数据训练，支持超过 50 种语言的识别，尤其在中文和粤语的识别性能上，比 OpenAI 的 Whisper 模型提升了 50% 以上。 此外，SenseVoice 具备出色的情感识别能力，能够检测出语音中的喜悦、悲伤、愤怒等情绪，并支持对音乐、掌声、笑声、哭声、咳嗽、喷嚏等常见人机交互事件的检测。 在推理性能方面，SenseVoice-Small 模型采用非自回归的端到端框架，处理 10 秒音频仅需 70 毫秒，推理速度比 Whisper-Large 快 15 倍。
通过使用 SenseVoice，用户可以高效地解决多语言语音识别、情感分析和音频事件检测等问题。在语音识别方面，SenseVoice 能够将语音内容准确地转录为文本，适用于语音输入法、语音导航、智能会议记录等应用场景。 在情感分析方面，SenseVoice 能够识别语音中的情感信息，帮助企业更好地理解客户情绪，提升客户服务质量。此外，音频事件检测功能可以用于监测环境声音，识别特定的音频事件，如检测咳嗽声以监测公共场所的健康状况，或检测笑声以分析观众对节目的反应。
SenseVoice 的应用场景广泛，涵盖多个领域。在企业服务领域，企业可以利用 SenseVoice 进行客户来电的语音转录和情感分析，从而提升客户服务体验。在教育研究领域，SenseVoice 可用于课堂讲座的实时转录，方便学生复习和研究人员分析教学内容。在创意产业中，SenseVoice 的情感识别功能可以帮助内容创作者分析观众对作品的情感反馈，优化创作方向。在医疗领域，SenseVoice 的音频事件检测功能可用于监测患者的咳嗽等症状，辅助疾病监测和预防。 此外，SenseVoice 还适用于智能家居、自动驾驶等需要语音交互的场景，提供高效、精准的语音识别和情感分析服务。
适配机型：
京公网安备 11010802021500号