SenseVoice
STT.ai ora ngoperasikaké modél iki. Halaman iki minangka referensi informasi bab iku.
Transkrip karo model kang kita lakoni →
5.5%
WER
50
Basa
50.0x
Kecepatan
MIT
Lisénsi
Ngendi SenseVoice
SenseVoice iku model fondasi basa saka FunAudioLLM kang ngluwihi transkripsi. Iki nyokong 50+ basa lan kalebu kemampuan kanggo pangertèn emosi, deteksi acara audio, lan normalisasi teks invers ing siji model.
Informasi Model
- PenyiarFunAudioLLM
- Arsitektur-
- LisénsiMIT
- DioptimalakeMar 2026
Pitakon kang asring diajukake
SenseVoice ya iku modél swara-ka-teks déning FunAudioLLM. STT.ai saiki ora ngoperasikaké SenseVoice — kaca iki minangka informasi referensi bab modél. Kanggo transkripsi ing STT.ai, pemilih modél nawakake kulawarga Whisper (Turbo, Large V3, Medium, Small).
Ing standar benchmarks, SenseVoice ngrampungake sekitar 5.5% Word Error Rate. Real-world akurasi gumantung ing kualitas audio, accent, lan basa; kanggo noisey utawa accented rekaman, ngarepake sawetara persentase poin luwih dhuwur WER.
SenseVoice ora ana ing STT.ai. Lisensiné dhewe-dhewe ngontrol cara ngoperasikaké. Titik gratis STT.ai nglindhungi model Whisper sing kita lakoni - 600 menit kanggo miwiti, banjur tambahan gratis saben wulan.
SenseVoice dirilis ing ngisor MIT, lisensi sumber terbuka sing permisif. Sampeyan bisa nginstal SenseVoice ing piranti keras dhewe utawa nggunakake versi sing dihost - loro-loroné bisa digunakake kanthi komersial.
SenseVoice nyokong 50 basa. Auto-deteksi milih basa kang bener kanggo akèh audio; sampeyan uga bisa nyetel kanthi manual kanggo nambah akurasi.
SenseVoice ngproses audio ing kira-kira 50.0x real-time ing GPU kita. Fail audio 1 jam rampung ing ngisor 1 menit; file luwih dawa ing gulungan lan dilaporake liwat email nalika rampung.
SenseVoice duwé parameter 234M. Model kang luwih gedhé luwih akurat nanging luwih lambat; STT.ai duwé host SenseVoice ing GPU supaya penghitungan parameter ora ngrusak kinerja klien.
SenseVoice nampa saben format STT.ai nyokong - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, lan liyane. Output minangka TXT, SRT, VTT, DOCX, JSON, utawa PDF.
SenseVoice diarization speakers dijalanaken kaliyan saben transkripsi - saben speaker dipunlabel lan sampeyan saged mènèhi jeneng anyar ing editor.
Ya. SenseVoice dijalanaké ing lingkungan sing diurus — audio diproses lan dipasak kanthi pigura lan ora pernah digunakake kanggo latihan tanpa opt-in eksplisit. Rencana Pro nambah enkripsi klien-sisi kanggo transkripsi nalika ora aktif.
Gunakaké alat compare-stt kanggo nglakokaké SenseVoice karo modél liya kang didhukung ing audio kang padha — sampeyan bakal ndeleng WER, penghitung segmen, label speaker, lan skor confidence side-by-side. Perbandingan SenseVoice vs Whisper Large V3 iku sing paling umum dilakokaké.
Ya. Nyathet "sensevoice" minangka parameter model ing /v1/transcribe endpoint. Python lan Node.js SDKs ngemot conto SenseVoice. Lapisan API gratis ngemot 100 menit/wulan.
Ya. Amargi SenseVoice dipunlisensi MIT, sampeyan saged nghostaken piyambakipun. Lampiran sumber-bukah STT.ai nyathet repo proyèk lan bobot. Kathah tim produksi ingkang ngginakaken versi ingkang dipunhostaken kanggé nglewati GPU procurement, model swaps, lan ops.