SenseVoice

SenseVoice 是一个多语言语音理解模型，具备自动语音识别（ASR）、语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）等功能。该模型使用超过40万小时的数据进行训练，支持50多种语言，并在多语言语音识别性能上超越了Whisper模型。此外，SenseVoice还拥有出色的情感识别能力，能够检测背景音乐、掌声、笑声等常见的人机交互事件。其小规模版本采用非自回归端到端框架，实现了极低的推理延迟，处理10秒音频仅需70毫秒。项目提供了便捷的微调脚本和服务部署管道，适用于需要高精度多语言语音处理及情感分析的应用场景，如客户服务、智能助手等。