Transkripto me SenseVoice
5.5%
WER
50
Gjuhë
50.0x
Shpejtësia
MIT
Liçenca
Për SenseVoice
SenseVoice është një model i bazuar në fjalë nga FunAudioLLM që shkon përtej transkriptimit. Ai suporton më shumë se 50 gjuhë dhe përfshin aftësi për njohjen e emocioneve, zbulimin e ngjarjeve të zërit dhe normalizimin e kundërt të tekstit në një model të vetëm.
Gjuhët e mbështetura SenseVoice
Informacione mbi modelin
- ProviderFunAudioLLM
- Arkitektura-
- LiçencaMIT
- PërditësoMar 2026
Pyetje të shpeshta
SenseVoice është një model i fjalës në tekst nga FunAudioLLM. STT.ai mban SenseVoice në infrastrukturën tonë të GPU kështu që mund ta përdorni pa furnizuar hardware-in tuaj — ngarkoni audion ose videon dhe zgjidhni SenseVoice nga zgjedhësi i modelit.
Në standartet e vlerësimit, SenseVoice arrin rreth 5.5% të normave të gabimeve të fjalëve. Saktësia në botën reale varet nga cilësia e audios, theksi dhe gjuha; për regjistrime me zhurmë ose theks, prit disa përqindje më të larta WER.
SenseVoice punon në nivelin e lirë të STT.ai - çdo vizitor merr 600 minuta për të filluar pa kosto. Planet e paguar shtojnë kufij më të gjatë për file, transkripta private dhe renditje përparësie.
SenseVoice është lëshuar nën MIT, një licencë e hapur e hapur. Mund të vetë-hostoni SenseVoice në hardware-in tuaj ose të përdorni versionin tonë të pritur — të dy janë komercialisht të përdorshëm.
SenseVoice suporton 50 gjuhë. Zbulimi automatik zgjedh gjuhën e duhur për shumicën e audiove; mund ta specifikoni gjithashtu manualisht për një rritje të vogël të saktësisë.
SenseVoice përpunon audion në rreth 50.0x në kohë reale në GPU-të tona. Një file audio 1 orë përfundon në më pak se 1 minuta; file më të gjatë vënë në radhë dhe njoftohen me email kur përfundojnë.
SenseVoice ka parametrat 234M. Modelet më të mëdha priren të jenë më të sakta por më të ngadalshme; STT.ai hosts SenseVoice në GPU kështu që numërimi i parametrave nuk ndikon në performancën e anës së klientit.
SenseVoice pranon çdo format që suporton STT.ai — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, dhe të tjerë. Shfaq si TXT, SRT, VTT, DOCX, JSON, ose PDF.
Po. Diarization e folësit punon së bashku me SenseVoice për çdo transkriptim - çdo folës është i etiketuar dhe mund t'i riemërtoni ata në editor më pas.
Po. SenseVoice punon në mjedisin tonë të menazhuar — audiot përpunohen dhe eleminohen në mënyrë të prezgjedhur dhe nuk përdoren kurrë për trainim pa opsion të hapur. Planet Pro shtojnë kriptimin në anën e klientit për transkriptat në pushim.
Përdor instrumentin compare-stt për të ekzekutuar SenseVoice kundër çdo modeli tjetër të suportuar në të njëjtin audio — do të shihni WER, numrin e segmenteve, etiketat e folësve dhe rezultatet e besimit krah-për-krah. Krahasimi SenseVoice vs Whisper Large V3 është më i zakonshmi.
Po. Specifiko "sensevoice" si parametri i modelit në /v1/transcribe endpoint. Python dhe Node.js SDK përfshijnë shembuj SenseVoice. Niveli i API pa pagesë përfshin 100 minuta në muaj.
Po. Sepse SenseVoice është i licencuar MIT, mund ta hostosh vetë. Faqja e burimit të hapur të STT.ai-ës përmban listën e projektit dhe peshat. Shumica e ekipeve të prodhimit përdorin versionin tonë të pritur për të kaluar GPU-në, modelin e shkëmbimit dhe operacionet.