Modelo multilingüe de ASR, reconocimiento de emociones y detección de eventos de audio.
Reconocimiento de voz multilingüe, detección de emociones y análisis de eventos de audio para desarrolladores.
SenseVoice es un modelo base de voz de código abierto que ofrece ASR, identificación de idiomas, reconocimiento de emociones en la voz y detección de eventos de audio. Está dirigido a desarrolladores e investigadores que procesan audio en mandarín, cantonés, inglés, japonés y coreano.
El modelo procesa audio a través de un marco de extremo a extremo no autorregresivo para ofrecer transcripciones de baja latencia junto con etiquetas enriquecidas de emociones y eventos sonoros. Es compatible con la segmentación opcional FSMN-VAD para audios largos o con un script de ventana de memoria acotada para grabaciones de escala de horas.
Es adecuado para ingenieros e investigadores que crean aplicaciones de voz o analizan conjuntos de datos de audio multilingües con requisitos de etiquetado de emociones. No es adecuado para usuarios que buscan una aplicación de transcripción final para usuarios finales sin trabajo de desarrollo en Python.
Compatible con reconocimiento automático de voz e identificación de idiomas para mandarín, cantonés, inglés, japonés y coreano.
Detecta etiquetas de emociones a partir de audio sin procesar sin depender únicamente de transcripciones de texto formateadas.
Identifica eventos comunes de interacción humano-computadora, incluyendo música de fondo, aplausos, risas, llanto y tos.
Emplea una arquitectura de extremo a extremo no autorregresiva para lograr un rendimiento de inferencia de baja latencia.
Gratis bajo su licencia MIT, sin opciones alojadas de pago mencionadas en el repositorio. El único coste es ejecutarlo en tu propio hardware.
877 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
El punto de control SenseVoiceSmall publicado admite mandarín, cantonés, inglés, japonés y coreano.
Puedes segmentar el audio usando FSMN-VAD o utilizar el script proporcionado long_audio_no_vad.py, que decodifica mediante ffmpeg en ventanas fijas de 30 segundos.
No, la diarización de hablantes se gestiona a través de una canalización compuesta de FunASR utilizando modelos FSMN-VAD y CAM++ separados.
Ve Zekai primero en Google