懂AI
SenseVoice

SenseVoice

高效、多语种语音识别与情绪识别技术平台

SenseVoice是一款支持多语言的语音解析模型，整合了自动语音识别、语种识别、情绪识别及音频事件检测功能。该项目采用非自回归端到端框架，可在超过50种语言上提供精准的语音识别服务，大幅降低了推理延迟，提供方便的微调脚本和多语种细粒度情绪分析，支持多种客户端语言和服务部署，适用于多种商业场景。

SenseVoice多语言语音识别情绪识别音频事件检测推理效率Github开源项目热门
访问官网GitHubHugging Face文档

SenseVoice 项目介绍

SenseVoice 是一个多功能语音理解基础模型，集成了多项语音理解能力,包括自动语音识别(ASR)、口语语言识别(LID)、语音情感识别(SER)和音频事件检测(AED)。该项目旨在提供高精度的多语言语音识别、语音情感识别和音频事件检测能力。

主要特点

多语言语音识别

SenseVoice 经过超过 40 万小时的数据训练,支持 50 多种语言的识别。其识别性能超过了 Whisper 模型,尤其是在中文和粤语识别方面表现出色。

丰富的转录功能

  • 出色的情感识别能力: SenseVoice 在多个测试集上达到或超越了当前最佳情感识别模型的效果。

  • 音频事件检测: 支持检测背景音乐、掌声、笑声、哭声、咳嗽和打喷嚏等常见人机交互事件。

高效推理

SenseVoice-Small 模型采用非自回归端到端框架,推理延迟非常低。处理 10 秒音频仅需 70 毫秒,比 Whisper-Large 快 15 倍。

便捷微调

提供简便的微调脚本和策略,用户可以根据自己的业务场景轻松解决长尾样本问题。

服务部署

提供服务部署流程,支持多并发请求,客户端语言包括 Python、C++、HTML、Java 和 C# 等。

性能评测

在多语言语音识别、语音情感识别和音频事件检测等任务上,SenseVoice 都展现出了优秀的性能:

  • 在 AISHELL-1、AISHELL-2、Wenetspeech、LibriSpeech 和 Common Voice 等开源基准数据集上,SenseVoice-Small 模型在中文和粤语识别方面具有优势。

  • 在多个语音情感识别测试集上,SenseVoice 达到并超越了当前最佳模型的表现。

  • 在环境声音分类 ESC-50 数据集上,SenseVoice 虽然仅用语音数据训练,也取得了不错的结果。

使用方法

SenseVoice 的使用非常灵活,支持多种场景:

  • 可以直接进行推理,支持任意格式和任意时长的音频输入。
  • 提供 FastAPI 部署服务的方法。
  • 支持模型微调,可根据特定需求进行定制训练。
  • 提供 WebUI 界面,方便直观地使用和测试模型功能。

开源贡献

SenseVoice 项目得到了社区的广泛关注和贡献,包括:

  • 基于 Triton + TensorRT 的 GPU 部署最佳实践
  • 支持在 10 种编程语言中使用 SenseVoice 的 Sherpa-onnx 部署方案
  • 基于 GGML 的纯 C/C++ 推理实现 SenseVoice.cpp
  • 支持分块推理的 streaming-sensevoice
  • 针对快速推理和批处理优化的 OmniSenseVoice

这些第三方工作大大拓展了 SenseVoice 的应用场景和部署方式。

总的来说,SenseVoice 是一个功能强大、性能优秀、使用便捷的语音理解基础模型,为语音识别、情感分析和事件检测等任务提供了一站式解决方案。无论是学术研究还是工业应用,SenseVoice 都是一个值得关注和使用的开源项目。

编辑推荐精选

讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。

下拉加载更多