Modelo multilíngue de ASR, reconhecimento de emoção e detecção de eventos de áudio.
Reconhecimento de fala multilíngue, detecção de emoção e análise de eventos de áudio para desenvolvedores.
O SenseVoice é um modelo de fundação de fala de código aberto que fornece ASR, identificação de idioma, reconhecimento de emoção na fala e detecção de eventos de áudio. É adequado para desenvolvedores e pesquisadores que processam áudio em mandarim, cantonês, inglês, japonês e coreano.
O modelo processa áudio por meio de uma estrutura ponta a ponta não autorregressiva para entregar transcrições de baixa latência juntamente com tags ricas de emoção e eventos sonoros. Ele suporta segmentação FSMN-VAD opcional para áudios longos ou um script de janela com memória limitada para gravações de escala horária.
É adequado para engenheiros e pesquisadores que constroem aplicações de voz ou analisam conjuntos de dados de áudio multilíngue com requisitos de marcação de emoção. Não é adequado para usuários que procuram uma aplicação de transcrição final para o usuário sem trabalho de desenvolvimento em Python.
Suporta reconhecimento automático de fala e identificação de idioma para mandarim, cantonês, inglês, japonês e coreano.
Detecta tags de emoção a partir de áudio bruto sem depender apenas de transcrições de texto formatadas.
Identifica eventos comuns de interação humano-computador, incluindo música de fundo, aplausos, risadas, choro e tosse.
Emprega uma arquitetura ponta a ponta não autorregressiva para alcançar desempenho de inferência de baixa latência.
Gratuito sob sua licença MIT, sem opções hospedadas pagas mencionadas no repositório. O único custo é executá-lo em seu próprio hardware.
877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
O ponto de verificação SenseVoiceSmall lançado suporta mandarim, cantonês, inglês, japonês e coreano.
Você pode segmentar o áudio usando FSMN-VAD ou usar o script long_audio_no_vad.py fornecido que decodifica via ffmpeg em janelas fixas de 30 segundos.
Não, a diarização de falantes é tratada por meio de um pipeline FunASR composto usando modelos FSMN-VAD e CAM++ separados.
Veja o Zekai primeiro no Google