Bu bilen ýaz SenseVoice
5.5%
WER
50
Diller
50.0x
Tizlik
MIT
Lisenziýa
Habar SenseVoice
SenseVoice FunAudioLLM-den transkripsiýadan daşlaşýan bir söz esas modeldir. Ol 50+ dili goldaýar we bir modelde duýgulary tanamak, ses wakany tapmak we tersine metin normalizasiýa üçin ukyplary bar.
Saýlanan Dil SenseVoice
Model Maglumaty
- SaýlawFunAudioLLM
- Mimari-
- LisenziýaMIT
- GüncelleMar 2026
Gynançly Soraglar
SenseVoice FunAudioLLM tarapyndan bir sözden metin modeldir. STT.ai SenseVoice-i biziň GPU-myzyň infratrukturasynda kabul edýär, şonuň üçin siz ony öz haýalyňyzy bermän ulanyp bilersiňiz — audio ýa-da video ýükläp we SenseVoice-i modlu saýlajydan saýlaň.
Standart benchmarks'da, SenseVoice 5.5% söz hata derejesine ýetýär. Hakykatda dogrylyk ses hili, aksent we dilde bagly; gürleşikli ýa aksentli ýazgylar üçin, birnäçe göterim WER'den ýokary garaş.
SenseVoice STT.ai's free tier üstünde işleýär — her bir myhman 600 minut başlamak üçin hiç bir töleg almaýar. Ödenilen planlar faýl üçin uzak çäklendirmeleri, şahsy transkriptleri we öňe sürülen nobaty goşýar.
SenseVoice MIT astynda çykaryldy, bir ygtybarly açyk çeşme lisenziýasy. Siz SenseVoice-i öz hasabyňyzda öz-özüňize kabul edip bilersiňiz ýa-da biziň kabul edilen wersiýamyzy ulanyp bilersiňiz — ikisi hem söwda taýdan ulanylyp bilner.
SenseVoice 50 dilleri goldaýar. Otomatik tapmak köp ses üçin dogry dili saýlar; siz ony el bilen hem bellip bilersiňiz kiçiçe dogrylyk üçin.
SenseVoice audiony 50.0x real-time bilen işlemek üçin GPU'larymyzy ulanýar. 1 sagatlyk audio faýl 1 minutyň içinde tamamlanýar; uzak faýllar nobatda durýar we tamamlananda e-poçta bilen habar berler.
SenseVoice 234M parametrleri bar. Büyük modeller has dogry emma yavaş; STT.ai GPU'da SenseVoice'i kabul edýär şuňa görä parametrleriň sany siziň kliýent tarap işleýşinize täsir etmez.
SenseVoice STT.ai goldaýan her hili formaty kabul edýär — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, we beýlekiler. Çykyş TXT, SRT, VTT, DOCX, JSON, ýa-da PDF.
Eý. Sözleýji diaryzasiýasy her bir transkripsiýa üçin SenseVoice bilen bir hatarda işleýär - her bir sözleýji etiketlenýär we siz olary soňra redaktorda täzeden atlandyryp bilersiňiz.
Eý. SenseVoice biziň dolandyrylan gurşawymyzda işleýär — ses işlemek we pozmak öň bellenen we hiç wagt belli bir opt-insiz tälim üçin ulanylmaýar. Pro planlar ýatda duran transkripsiýalar üçin müşderi tarapy şifreleme goşýar.
SenseVoice-i aňşy sesde her haýsy goldawa eýe model bilen deňeşdirmek üçin compare-stt esbaby ullan — siz WER, segment sanaw, sözleýji etiketleri we ynamlylyk skorlaryny birikdiren görersiňiz. SenseVoice vs Whisper Large V3 deňeşdirmesi iň köp işlenen biridir.
Eý. "sensevoice" parametrini /v1/transcribe ahyrynda model parametri hökmünde belle. Python we Node.js SDKs SenseVoice mysallary içer. Beýik API derejesi 100 minut/aýda içer.
Eý. SenseVoice MIT-licensiýaly bolansoň, siz ony öz-özüňize kabul edip bilersiňiz. STT.ai's open-source page lists the project repo and weights. Most production teams use our hosted version to skip GPU procurement, model swaps, and ops.