Транкриптиране с SenseVoice
5.5%
WER
50
Езици
50.0x
Скорост
MIT
Лиценз
За SenseVoice
SenseVoice е речна основа модел от FunuAudioLLM, който надминава транскрипцията. Тя поддържа 50+ езици и включва възможности за емоционално разпознаване, аудио откриване на събития и обратна нормализация на текста в един модел.
Информация за модела
- ДоставчикFunAudioLLM
- Архитектура-
- ЛицензMIT
- ОбновеноMar 2026
Често задавани въпроси
SenseVoice е модел от реч към текст от FunAudioLLM. STT.ai домакини SenseVoice на нашата GPU инфраструктура, така че можете да го използвате, без да предоставяте своя собствен хардуер — качване на аудио или видео и изберете SenseVoice от модела избирач.
По стандартни бенчмаркове SenseVoice достига около 5.5% Word Error Rate. Real-world точност зависи от качеството на звука, акцента и езика; за шумни или акцентирани записи, очакват няколко процентни пункта по-висока WER.
SenseVoice работи на безплатен ступен на STT.ai – всеки посетител получава 600 минути да започне без цена. Платените планове добавят повече на файлови ограничения, частни записи и приоритетни редовни редове.
SenseVoice е освободен под MIT, допустим лиценз за отворен източник. Можете да се самоприемате SenseVoice на своя собствен хардуер или да използвате нашата хостинг версия - и двете са търговски приложими.
SenseVoice поддържа 50 езика. Автоматично откриване избира правилния език за повечето аудио; можете да го ръчно посочите и за малък асансьор за точност.
SenseVoice процеси аудио на около 50.0x в реално време на нашите GPU. 1-часов аудио файл завършва в под 8802 минути; по-дълги файлове редица и уведомяване по имейл, когато се направи.
SenseVoice има 8802 параметри. По-големите модели са по-точни, но по-бавни; STT.ai домакини SenseVoice на GPU, така че броят на параметрите не влияе на производителността на вашия клиент.
SenseVoice приема всеки формат STT.ai поддръжки — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI и др. Изход като TXT, SRT, VTT, DOCX, JSON или PDF.
Да. Диагностикацията на спикера се движи до SenseVoice за всяка транскрипция — всеки говорител е етикетиран и можете да ги преименувате в редактора след това.
Да. SenseVoice ходове в нашата управлявана среда — аудио се обработва и изтрива по подразбиране и никога не се използва за обучение без изрично оптимизиране. Про планове добавят клиент-страна шифриране за транскрипти в почивка.
Използвайте инструмента за сравнение, за да стартирате SenseVoice срещу всеки друг подкрепен модел на един и същ звук – ще видите WER, сегмент брой, говорител етикети и доверителни резултати странично дострани. SenseVoice спрямо Whisper Large V3 сравнението е най-често извършено.
Да. Определяте "sensevoice" като параметр за модела на точката /v1/transcribe. Python и Node.js SDKs включват SenseVoice примери. Free API низ включва 100 минути/месечно.
Да. Тъй като SenseVoice е 8802-лицензиран, можете да го самостоятелно домакин. STT.ai на отворения източник страница изброява репо и тежести на проекта. Повечето производствени екипи използват нашата хостинг версия, за да пропуснат GPU поръчки, смяна на модели и операции.