बहुभाषी ASR, इमोशन रिकग्निशन, और ऑडियो इवेंट डिटेक्शन मॉडल।
डेवलपर्स के लिए बहुभाषी स्पीच रिकग्निशन, इमोशन डिटेक्शन, और ऑडियो इवेंट एनालिसिस।
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।
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।
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।
मंदारिन, कैंटोनीज़, अंग्रेजी, जापानी और कोरियाई के लिए स्वचालित स्पीच रिकग्निशन और भाषा ID का समर्थन करता है।
केवल फ़ॉर्मेट किए गए टेक्स्ट ट्रांसक्रिप्शन पर निर्भर किए बिना कच्चे ऑडियो से इमोशन टैग का पता लगाता है।
बैकग्राउंड संगीत, तालियों, हँसी, रोने और खाँसी सहित सामान्य मानव-कंप्यूटर इंटरैक्शन इवेंट की पहचान करता है।
कम-लेटेंसी इन्फेरेंस प्रदर्शन प्राप्त करने के लिए नॉन-ऑटोरिग्रेसिव एंड-टू-एंड आर्किटेक्चर का उपयोग करता है।
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।
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।
जारी किया गया SenseVoiceSmall चेकपॉइंट मंदारिन, कैंटोनीज़, अंग्रेजी, जापानी और कोरियाई का समर्थन करता 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।
नहीं, स्पीकर डायरियाज़ेशन अलग FSMN-VAD और CAM++ मॉडल का उपयोग करके एक संयुक्त FunASR पाइपलाइन के माध्यम से संभाला जाता है।
Google में Zekai को सबसे पहले देखें