Transcribe with SenseVoice
5.5%
WER
50
Languages
50.0x
Speed
MIT
License
About SenseVoice
Model Info
- ProviderFunAudioLLM
- Architecture-
- LicenseMIT
- UpdatedMar 2026
Ofte stilte spørsmål
SenseVoice er ein tale-til-tekst-modell frå FunAudioLLM. STT.ai er vert for SenseVoice på vår GPU-infrastruktur, slik at du kan bruka han utan å ha din eigen maskinvare — last opp lyd eller video og vel SenseVoice frå modellveljaren.
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 køyrer på STT.ai sitt gratisnivå — kvar besøkjar får 600 minutt/månad utan kostnad. Betalte abonnement legg til lengre grense per fil, private transkripsjonar og prioritert kø.
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.