SenseVoice

SenseVoice 是一个面向多语种语音理解的端到端基础模型，支持自动语音识别（ASR）、口语语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。其采用非自回归架构，推理速度达 Whisper 的 15 倍，支持超 50 种语言，在高精度语音转写基础上，同步输出情感标签（如喜悦、悲伤）与常见音事件（如笑声、咳嗽、掌声）。适用于实时语音分析、智能客服质检、多语种会议记录、人机交互行为建模等对低延迟与多任务联合理解有要求的场景。