KI-Tools, bewertet für deinen Beruf
Bezahlte KI-Jobs
🤝 Du bist in der Frei-&-Open-Source-Bibliothek — von der Community entwickelte Tools, die du kostenlos nutzen kannst. Ein anderes Konzept als unser bewertetes KI-Verzeichnis.
Start › Frei & Open Source › Studierende › SenseVoice
✦ Frei & Open SourceStudierende

SenseVoice

Mehrsprachiges ASR-, Emotionserkennungs- und Audio-Ereignisdetektionsmodell.

SenseVoice Speech Foundation Model

Mehrsprachige Spracherkennung, Emotionserkennung und Audio-Ereignisanalyse für Entwickler.

Für immer kostenlos · Open Source · MIT
✓ Light setup✓ Im Browser✓ Echtzeit-Zusammenarbeit
7.5
ZEKAI
Schnelles mehrsprachiges ASR-Modell
Frei & Open Source · Studierende
Einfache Einrichtung4
Nützlichkeit8
Wartung9.5
Community8.5
★ 9,400
GITHUB
Sep 2026
AKTUALISIERT
MIT
LIZENZ
🛠 Keine Lust auf Self-Hosting? Wir richten es ein →
⚡ Schnelle Antwort

SenseVoice ist ein Open-Source-Sprachgrundlagenmodell, das ASR, Spracherkennung, Spracherkennungs-Emotionen und Audio-Ereignisdetektion bietet. Es eignet sich für Entwickler und Forscher, die Mandarin-, Kantonesisch-, Englisch-, Japanisch- und Koreanisch-Audio verarbeiten.

Läuft auf
Cross-platform
Hosting
Self-host
Sprachen
C
Lizenz
MIT

Was es ist

Das Modell verarbeitet Audio über ein nicht-autoregressives End-to-End-Framework, um latenzarme Transkriptionen zusammen mit umfangreichen Emotions- und Audio-Ereignis-Tags zu liefern. Es unterstützt optionales FSMN-VAD-Segmentierung für lange Audiodateien oder ein speicherbegrenztes Windowing-Skript für stundenlange Aufnahmen.

Für wen

Es eignet sich für Ingenieure und Forscher, die Sprachanwendungen entwickeln oder mehrsprachige Audiodatensätze mit Anforderungen an Emotions-Tags analysieren. Es eignet sich nicht für Benutzer, die eine fertige Endbenutzer-Transkriptionsanwendung ohne Python-Entwicklungsarbeit suchen.

Wichtige Funktionen

Mehrsprachige ASR

Unterstützt automatische Spracherkennung und Spracherkennung für Mandarin, Kantonesisch, Englisch, Japanisch und Koreanisch.

Sprach-Emotionserkennung

Erkennt Emotions-Tags aus Roh-Audio, ohne sich ausschließlich auf formatierte Texttranskriptionen zu verlassen.

Audio-Ereignisdetektion

Identifiziert gängige Mensch-Computer-Interaktionsereignisse einschließlich Hintergrundmusik, Applaus, Lachen, Weinen und Husten.

Effiziente Inferenz

Verwendet eine nicht-autoregressive End-to-End-Architektur, um eine latenzarme Inferenzleistung zu erreichen.

Erste Schritte

Startklar in 3 Schritten

1
Installieren Sie das erforderliche FunASR-Paket über pip install -r requirements.txt.
2
Konfigurieren Sie den AutoModel-Loader in Python unter Angabe des iic/SenseVoiceSmall-Modellpfads und Geräts.
3
Führen Sie die Inferenz mit model.generate und Ihrer Ziel-Audiodatei aus und verarbeiten Sie die Ausgabe mit rich_transcription_postprocess.
Klartext

Unser ehrliches Fazit

Stärken

  • Deutlich schnellere Inferenz als autoregressive Alternativen wie Whisper bei vergleichbaren Parameteranzahlen.
  • Integrierte Emotionserkennung und Audio-Ereignis-Tags begleiten die Standard-Transkriptionsausgabe.
  • Enthält speicherbegrenzte Windowing-Skripte zur Verarbeitung stundenlanger Aufnahmen ohne VAD.
  • Bietet Service-Bereitstellungspipelines, die mehrere gleichzeitige Anfragen über mehrere Sprachen hinweg unterstützen.

Schwächen

  • Erfordert technische Kenntnisse in Python, FunASR und Modellkonfiguration für Einrichtung und Betrieb.
  • Ein effizienter Inferenzbetrieb erfordert dedizierte GPU-Hardware-Ressourcen.
  • Die Sprecherdiarisierung erfordert die Zusammensetzung separater FSMN-VAD- und CAM++-Modelle anstelle einer nativen Ausgabe.
Kosten

Preise & Lizenz

Kostenlos unter der MIT-Lizenz, ohne erwähnte kostenpflichtige gehostete Optionen im Repository. Die einzigen Kosten sind der Betrieb auf eigener Hardware.

Bezahlte Arbeit

Stellen für Deutschsprachige

877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.

Alle offenen Stellen ansehen →
Vergleich

Alternativen

🎁 Freie & Open-Source-Alternativen
Mehr

Nutze es, oder lass es uns einrichten

📄 Kostenloses PDF: SenseVoice für Studierende
Ein verständlicher Leitfaden für dein erstes Ergebnis. Direkt in dein Postfach.
🔔 64 Personen wünschen sich ein komplettes Video-Tutorial — stimme ab
🛠 Keine Lust auf eigene Einrichtung?
Wir installieren, hosten & konfigurieren SenseVoice für dich — und schulen dein Team.
Erledigen lassen ↗
Fragen

FAQ

Welche Sprachen unterstützt der veröffentlichte Checkpoint?

Der veröffentlichte SenseVoiceSmall-Checkpoint unterstützt Mandarin, Kantonesisch, Englisch, Japanisch und Koreanisch.

Wie werden lange Audioaufnahmen verarbeitet?

Sie können Audio mit FSMN-VAD segmentieren oder das bereitgestellte long_audio_no_vad.py-Skript verwenden, das über ffmpeg auf festen 30-Sekunden-Fenstern decodiert.

Führt das Modell standardmäßig eine Sprecherdiarisierung durch?

Nein, die Sprecherdiarisierung wird über eine zusammengesetzte FunASR-Pipeline mit separaten FSMN-VAD- und CAM++-Modellen durchgeführt.

Radar

Neueste KI-News

✉️ Das wöchentliche kostenlose Toolkit
Die besten neuen freien & Open-Source-Tools für Studierende — eine kurze E-Mail pro Woche, in deiner Sprache.
Kostenlos · 1 E-Mail/Woche · jederzeit abbestellbar
Mit KI-Training Geld verdienen →

Zekai zuerst in Google sehen