SenseVoice
STT.ai nie uruchomia tego modelu. Ta strona jest informacją o nim.
Transcribe z modelami, które prowadzimy →
5.5%
WER
50
Języki
50.0x
Prędkość
MIT
Licencja
O tematie SenseVoice
SenseVoice jest modelem fundamentu mowy z FunAudioLLM, który wykracza poza transkrypcję. Obsługuje 50+ języków i obejmuje możliwości rozpoznawania emocji, wykrywania zdarzeń audio oraz normalizacji odwrotnej tekstu w jednym modelu.
Języki wspierane przez SenseVoice
Informacje o wzorze
- DostawcaFunAudioLLM
- Architektura-
- LicencjaMIT
- UaktualnioneMar 2026
Często zadawane pytania
SenseVoice to model mowy do tekstu przez FunAudioLLM. STT.ai nie działa obecnie SenseVoice – ta strona jest informacji referencyjnej o modelu. W przypadku transkrypcji na STT.ai, model picker oferuje Whisper rodzinę (Turbo, Duże V3, Średni, Small).
W odniesieniu do standardowych poziomów odniesienia SenseVoice osiąga około 5.5% Błędów Word. Dokładność rzeczywistego świata zależy od jakości dźwięku, akcentu i języka; w przypadku głośnych lub akcentowanych nagrań, oczekuje się kilku punktów procentowych wyższych WER.
SenseVoice nie jest dostępny na STT.ai. Jego własne warunki licencyjne regulują go samodzielnie. STT.ai bezpłatny poziom obejmuje modele Whisper, które uruchomimy – 600 minut do rozpoczęcia, następnie miesięczny bezpłatny top-up.
SenseVoice jest wydane pod MIT, licencja otwartego źródła. Można samodzielnie gospodarować SenseVoice na własnym sprzętie lub korzystać z naszej hospodowanej wersji – obie są komercyjne użyteczne.
SenseVoice obsługuje 50 języków. Automatyczne wykrywanie wybiera właściwy język dla większości audio; można również wskazywać go ręcznie dla małego podnoszenia dokładności.
SenseVoice procesów audio w około 50.0x w czasie rzeczywistym na naszych GPU. 1-godzinny plik audio zakończy się w mniej niż 8802 minut; dłuższa kolejka plików i powiadomić za pośrednictwem e-maila.
SenseVoice ma 8802 parametrów. Większe modele są zazwyczaj bardziej dokładne, ale wolniej; STT.ai hostów SenseVoice w GPU, tak aby liczba parametrów nie wpływała na wydajność klienta.
SenseVoice akceptuje każdy format obsługi STT.ai — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI i inne. Wynik jako TXT, SRT, VTT, DOCX, JSON lub PDF.
Tak. Dializacja głośnika biegnie obok SenseVoice dla każdej transkrypcji — każdy głośnik jest oznaczony i można je później zmienić w edytorze.
Tak. SenseVoice uruchamia w naszym zarządzanym środowisku – audio jest przetwarzany i usuwany domyślnie i nigdy nie używany do szkolenia bez wyraźnego opt-in. Pro plany dodają klient-side szyfrowanie do transkrypcji w pokoju.
Użyj narzędzia porównania-stt, aby uruchomić SenseVoice w stosunku do jakiegokolwiek innego modelu obsługiwanego w tym samym audio – zobaczysz WER, liczbę segmentów, etykiety głośnika i wyniki ufności po stronie. Porównanie SenseVoice ws Whisper Large V3 jest najczęściej uruchomione.
Tak. Określić "sensevoice" jako parametr modelu w końcowym punktie końcowym /v1/transcribe. Python i Node.js SDKs zawierają SenseVoice przykładów. Darmowy poziom API obejmuje 100 minut/miesiąc.
Tak. Ponieważ SenseVoice jest 8802-licenzowany, możesz go sam-host. STT.ai stron otwartego źródła wykazuje repo i wagi projektu. Większość zespołów produkcyjnych korzysta z naszej hosted wersji, aby pominąć zamówienia GPU, modele swaps i ops.