आपके काम के लिए रेटेड एआई टूल
AI ट्रेन करके कमाएँ
🤝 आप फ्री & ओपन सोर्स लाइब्रेरी में हैं — समुदाय द्वारा बनाए गए टूल जिन्हें आप बिना भुगतान किए उपयोग कर सकते हैं। हमारी स्कोर की गई AI डायरेक्टरी से अलग एक अवधारणा।
होम › फ्री & ओपन सोर्स › छात्र › SenseVoice
✦ फ्री & ओपन सोर्सछात्र

SenseVoice

बहुभाषी ASR, इमोशन रिकग्निशन, और ऑडियो इवेंट डिटेक्शन मॉडल।

SenseVoice स्पीच फाउंडेशन मॉडल

डेवलपर्स के लिए बहुभाषी स्पीच रिकग्निशन, इमोशन डिटेक्शन, और ऑडियो इवेंट एनालिसिस।

हमेशा के लिए मुफ़्त · ओपन सोर्स · MIT
✓ Light setup✓ ब्राउज़र-आधारित✓ रियल-टाइम सहयोग
7.5
ZEKAI
तेज़ बहुभाषी ASR मॉडल
फ्री & ओपन सोर्स · छात्र
सेटअप की आसानी4
उपयोगिता8
रखरखाव9.5
समुदाय8.5
★ 9,400
गिटहब
Sep 2026
अपडेटेड
MIT
लाइसेंस
🛠 खुद होस्ट नहीं करना चाहते? हम इसे सेट कर सकते हैं →
⚡ त्वरित उत्तर

SenseVoice एक ओपन-सोर्स स्पीच फाउंडेशन मॉडल है जो ASR, भाषा पहचान, स्पीच इमोशन रिकग्निशन, और ऑडियो इवेंट डिटेक्शन प्रदान करता है। यह मंदारिन, कैंटोनीज़, अंग्रेजी, जापानी और कोरियाई ऑडियो प्रोसेस करने वाले डेवलपर्स और रिसर्चर्स के लिए उपयुक्त है।

इस पर चलता है
Cross-platform
होस्टिंग
Self-host
भाषाएँ
C
लाइसेंस
MIT

यह क्या है

यह मॉडल लो-लेटेंसी ट्रांसक्रिप्शन के साथ-साथ समृद्ध इमोशन और साउंड इवेंट टैग प्रदान करने के लिए एक नॉन-ऑटोरिग्रेसिव एंड-टू-एंड फ्रेमवर्क के माध्यम से ऑडियो प्रोसेस करता है। यह लंबे ऑडियो के लिए वैकल्पिक FSMN-VAD सेगमेंटेशन या घंटे-भर की रिकॉर्डिंग के लिए बाउंडेड-मेमोरी विंडोइंग स्क्रिप्ट का समर्थन करता है।

किसके लिए

यह वॉइस एप्लीकेशन बनाने वाले या इमोशन टैगिंग आवश्यकताओं के साथ बहुभाषी ऑडियो डेटासेट का विश्लेषण करने वाले इंजीनियरों और रिसर्चर्स के लिए उपयुक्त है। यह बिना पाइथन डेवलपमेंट काम के तैयार एंड-यूज़र ट्रांसक्रिप्शन एप्लीकेशन की तलाश कर रहे उपयोगकर्ताओं के लिए उपयुक्त नहीं है।

मुख्य विशेषताएँ

बहुभाषी ASR

मंदारिन, कैंटोनीज़, अंग्रेजी, जापानी और कोरियाई के लिए स्वचालित स्पीच रिकग्निशन और भाषा ID का समर्थन करता है।

स्पीच इमोशन रिकग्निशन

केवल फ़ॉर्मेट किए गए टेक्स्ट ट्रांसक्रिप्शन पर निर्भर किए बिना कच्चे ऑडियो से इमोशन टैग का पता लगाता है।

ऑडियो इवेंट डिटेक्शन

बैकग्राउंड संगीत, तालियों, हँसी, रोने और खाँसी सहित सामान्य मानव-कंप्यूटर इंटरैक्शन इवेंट की पहचान करता है।

कुशल इन्फेरेंस

कम-लेटेंसी इन्फेरेंस प्रदर्शन प्राप्त करने के लिए नॉन-ऑटोरिग्रेसिव एंड-टू-एंड आर्किटेक्चर का उपयोग करता है।

कैसे शुरू करें

3 चरणों में तैयार

1
pip install -r requirements.txt के माध्यम से आवश्यक FunASR पैकेज इंस्टॉल करें।
2
iic/SenseVoiceSmall मॉडल पथ और डिवाइस निर्दिष्ट करते हुए पाइथन में AutoModel लोडर को कॉन्फ़िगर करें।
3
अपनी लक्षित ऑडियो फ़ाइल के साथ model.generate का उपयोग करके इन्फेरेंस चलाएं और rich_transcription_postprocess के साथ आउटपुट प्रोसेस करें।
सच कहें तो

हमारा ईमानदार फैसला

क्या अच्छा है

  • तुलनात्मक पैरामीटर काउंट पर Whisper जैसे ऑटोरिग्रेसिव विकल्पों की तुलना में काफी तेज़ इन्फेरेंस।
  • मानक ट्रांसक्रिप्शन आउटपुट के साथ इन-बिल्ट इमोशन रिकग्निशन और ऑडियो इवेंट टैग होते हैं।
  • VAD के बिना घंटे-भर की रिकॉर्डिंग को प्रोसेस करने के लिए बाउंडेड-मेमोरी विंडोइंग स्क्रिप्ट शामिल हैं।
  • कई भाषाओं में कई समवर्ती अनुरोधों का समर्थन करने वाले सर्विस डिप्लॉयमेंट पाइपलाइन प्रदान करता है।

कहाँ कमी है

  • सेट अप करने और चलाने के लिए पाइथन, FunASR और मॉडल कॉन्फ़िगरेशन में तकनीकी कौशल की आवश्यकता होती है।
  • इन्फेरेंस को कुशलतापूर्वक चलाने के लिए समर्पित GPU हार्डवेयर संसाधनों की मांग होती है।
  • स्पीकर डायरियाज़ेशन के लिए मूल आउटपुट के बजाय अलग FSMN-VAD और CAM++ मॉडल को संयोजित करने की आवश्यकता होती है।
लागत

मूल्य & लाइसेंस

इसके MIT लाइसेंस के तहत मुफ़्त, रिपॉजिटरी में किसी भी भुगतान किए गए होस्टेड विकल्प का उल्लेख नहीं है। एकमात्र लागत इसे अपने खुद के हार्डवेयर पर चलाना है।

पेड वर्क

हिंदी बोलने वालों के लिए जॉब्स

877 खुले रिमोट AI-ट्रेनिंग रोल, 16 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।

सभी खुले रोल देखें →
तुलना

विकल्प

🎁 फ्री & ओपन-सोर्स विकल्प
और पाएं

इसे उपयोग करें, या हमसे सेट करवाएं

📄 मुफ़्त PDF: छात्र के लिए SenseVoice
आपका पहला परिणाम पाने के लिए सरल भाषा में गाइड। आपके इनबॉक्स में।
🔔 64 लोग पूरा वीडियो ट्यूटोरियल चाहते हैं — अपना वोट जोड़ें
🛠 खुद सेट नहीं करना चाहते?
हम SenseVoice को आपके लिए इंस्टॉल, होस्ट और कॉन्फ़िगर करेंगे — और आपकी टीम को प्रशिक्षित करेंगे।
हमसे करवाएं ↗
प्रश्न

सामान्य प्रश्न

जारी किया गया चेकपॉइंट किन भाषाओं का समर्थन करता है?

जारी किया गया SenseVoiceSmall चेकपॉइंट मंदारिन, कैंटोनीज़, अंग्रेजी, जापानी और कोरियाई का समर्थन करता है।

यह लंबी ऑडियो रिकॉर्डिंग को कैसे संभालता है?

आप FSMN-VAD का उपयोग करके ऑडियो को सेगमेंट कर सकते हैं या प्रदान की गई long_audio_no_vad.py स्क्रिप्ट का उपयोग कर सकते हैं जो निश्चित 30-सेकंड की खिड़कियों पर ffmpeg के माध्यम से डिकोड करती है।

क्या मॉडल मूल रूप से स्पीकर डायरियाज़ेशन करता है?

नहीं, स्पीकर डायरियाज़ेशन अलग FSMN-VAD और CAM++ मॉडल का उपयोग करके एक संयुक्त FunASR पाइपलाइन के माध्यम से संभाला जाता है।

रडार

ताज़ा AI समाचार

✉️ साप्ताहिक मुफ़्त टूलकिट
छात्र के लिए सर्वश्रेष्ठ नए फ्री & ओपन-सोर्स टूल — हर हफ्ते एक छोटा ईमेल, आपकी भाषा में।
मुफ़्त · 1 ईमेल/सप्ताह · कभी भी अनसब्सक्राइब करें
AI ट्रेनिंग से पैसे कमाएँ →

Google में Zekai को सबसे पहले देखें