Çok dilli ASR, duygu tanıma ve ses olay algılama modeli.
Geliştiriciler için çok dilli konuşma tanıma, duygu tanıma ve ses olay analizi.
SenseVoice; ASR, dil tespiti, konuşma duygusu tanıma ve ses olay algılama sağlayan açık kaynaklı bir konuşma temel modelidir. Mandarin, Kantonca, İngilizce, Japonca ve Korece sesleri işleyen geliştiriciler ve araştırmacılar için uygundur.
Model, zengin duygu ve ses olay etiketlerinin yanı sıra düşük gecikmeli transkripsiyonlar sunmak için sesi otoregresif olmayan uçtan uca bir çerçeve üzerinden işler. Uzun sesler için isteğe bağlı FSMN-VAD segmentasyonunu veya saatler süren kayıtlar için sınırlı bellekli bir pencereleme betiğini destekler.
Ses uygulamaları geliştiren veya duygu etiketleme gereksinimleriyle çok dilli ses veri kümelerini analiz eden mühendisler ve araştırmacılar için uygundur. Python geliştirme çalışması olmadan hazır bir son kullanıcı transkripsiyon uygulaması arayan kullanıcılara uygun değildir.
Mandarin, Kantonca, İngilizce, Japonca ve Korece için otomatik konuşma tanıma ve dil kimliğini destekler.
Yalnızca biçimlendirilmiş metin transkripsiyonlarına güvenmeden ham sesten duygu etiketlerini algılar.
Arka plan müziği, alkış, kahkaha, ağlama ve öksürük dahil olmak üzere yaygın insan-bilgisayar etkileşimi olaylarını tanımlar.
Düşük gecikmeli çıkarım performansı elde etmek için otoregresif olmayan uçtan uca bir mimari kullanır.
Depoda belirtilen hiçbir ücretli barındırılan seçenek olmaksızın, MIT lisansı altında ücretsizdir. Tek maliyet, modeli kendi donanımınızda çalıştırmaktır.
877 açık uzaktan yapay zeka eğitimi işi, 16 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$175 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.
Yayınlanan SenseVoiceSmall kontrol noktası Mandarin, Kantonca, İngilizce, Japonca ve Koreceyi destekler.
FSMN-VAD kullanarak sesleri bölebilir veya sabit 30 saniyelik pencereler üzerinde ffmpeg aracılığıyla kod çözme yapan sağlanan long_audio_no_vad.py betiğini kullanabilirsiniz.
Hayır, konuşmacı ayrımı; ayrı FSMN-VAD ve CAM++ modelleri kullanan bileşik bir FunASR ardışık düzeni aracılığıyla gerçekleştirilir.
Google'da önce Zekai'yi gör