SenseVoice
STT.ai køyrer ikkje denne modellen. Denne sida er referanseinformasjon om han.
Transkriber med modellane vi køyrer →
5.5%
WER
50
Språk
50.0x
Fart
MIT
Lisens
Om SenseVoice
SenseVoice er ein talemodell frå FunAudioLLM som går utover transkripsjon. Den støttar meir enn 50 språk og har funksjonar for kjenslegjenkjenning, lydhendingar og invers tekstnormalisering i ein enkel modell.
Modellinformasjon
- TilbydarFunAudioLLM
- Arkitektur-
- LisensMIT
- OppdatertMar 2026
Ofte stilte spørsmål
SenseVoice er ein tale-til-tekst-modell frå FunAudioLLM. STT.ai køyrer ikkje SenseVoice for tida — denne sida er referanseinformasjon om modellen. For transkripsjon på STT.ai, tilbyr modellveljaren Whisper-familien (Turbo, Large V3, Medium, Small).
På standard målestokkar oppnår SenseVoice om lag 5.5% ordfeilrate. Nøyaktigheita i verkeleg liv avheng av lydkvalitet, aksent og språk. For støyande eller aksenterte opptak, kan du venta eit par prosentpoeng høgare WER.
SenseVoice er ikkje tilgjengeleg på STT.ai. Det har sine eigne lisensvilkår som styrer korleis du køyrer det sjølv. STT.ai sitt gratisnivå dekkjer Whisper-modellene vi køyrer — 600 minutt til å starta, så ein månadleg gratis oppgradering.
SenseVoice er utgjeve under MIT, ein permissiv open kjeldekode-lisens. Du kan sjølv ha SenseVoice på din eigen maskinvare eller bruke vår vertsversjon — begge er kommersielt brukbare.
SenseVoice støttar 50 språk. Automatisk oppdaging vel det rette språket for dei fleste lydfiler. Du kan òg velja språket manuelt for å få ein liten forbetring av nøyaktigheita.
SenseVoice prosesserer lyd med om lag 50.0x sanntid på grafikkprosessorane våre. Ein 1-timers lydfil er ferdig på under 1 minutt. Lengre filer vert lagt i kø og varsla via e-post når dei er ferdige.
SenseVoice har 234M-parametrar. Større modeller har ein tendens til å vera meir nøyaktige, men tregare. STT.ai er vert for SenseVoice på GPU-en, så parametertalet påverkar ikkje ytinga på klientsida.
SenseVoice godtek alle formata STT.ai støttar — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI og andre. Utdata som TXT, SRT, VTT, DOCX, JSON eller PDF.
Ja. Diarisering av talarar køyrer saman med SenseVoice for kvar transkripsjon — kvar talar er merket og du kan endra namnet på dei i redigeringa etterpå.
Ja. SenseVoice køyrer i vårt administrerte miljø – lyd blir handsama og sletta som standard og blir aldri brukt til opplæring utan eksplisitt samtykke. Pro-planar legg til klientkryptering for avskriftar i ro.
Bruk verktøyet compare-stt for å køyra SenseVoice mot ein annan støtta modell på same lyd. Du vil sjå WER, segmenttal, høgtalarnamn og tiltrupoeng side om side. Samanlikninga SenseVoice vs Whisper Large V3 er den mest brukte.
Ja. Oppgje «sensevoice» som modellparameter på /v1/transcribe-endepunktet. Python- og Node.js-SDK-ar inneheld SenseVoice-eksempela. Gratis API-nivå inkluderer 100 minutt/månad.
Ja. Sidan SenseVoice er MIT-lisensiert, kan du sjølv vera vert for det. STT.ai sin open kjeldekode-side viser prosjektarkivet og vektene. Dei fleste produksjonsteam brukar vår vertsversjon for å hoppa over GPU-innkjøp, modellbytte og operasjonar.