Mehrsprachiges ASR-, Emotionserkennungs- und Audio-Ereignisdetektionsmodell.
Mehrsprachige Spracherkennung, Emotionserkennung und Audio-Ereignisanalyse für Entwickler.
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.
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.
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.
Unterstützt automatische Spracherkennung und Spracherkennung für Mandarin, Kantonesisch, Englisch, Japanisch und Koreanisch.
Erkennt Emotions-Tags aus Roh-Audio, ohne sich ausschließlich auf formatierte Texttranskriptionen zu verlassen.
Identifiziert gängige Mensch-Computer-Interaktionsereignisse einschließlich Hintergrundmusik, Applaus, Lachen, Weinen und Husten.
Verwendet eine nicht-autoregressive End-to-End-Architektur, um eine latenzarme Inferenzleistung zu erreichen.
Kostenlos unter der MIT-Lizenz, ohne erwähnte kostenpflichtige gehostete Optionen im Repository. Die einzigen Kosten sind der Betrieb auf eigener Hardware.
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.
Der veröffentlichte SenseVoiceSmall-Checkpoint unterstützt Mandarin, Kantonesisch, Englisch, Japanisch und Koreanisch.
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.
Nein, die Sprecherdiarisierung wird über eine zusammengesetzte FunASR-Pipeline mit separaten FSMN-VAD- und CAM++-Modellen durchgeführt.
Zekai zuerst in Google sehen