转录 SenseVoice
5.5%
WER
50
Languages
50.0x
Speed
MIT
License
关于 SenseVoice
SenseVoice is a speech foundation model from FunAudioLLM that goes beyond transcription. It supports 50+ languages and includes capabilities for emotion recognition, audio event detection, and inverse text normalization in a single model.
Model Info
- ProviderFunAudioLLM
- Architecture-
- LicenseMIT
- UpdatedMar 2026
常见问题
SenseVoice是FunAudioLLM.STT.ai主机SenseVoice在我们的GPU基础设施上的语音对文本模型,这样你就可以在不提供硬件的情况下使用它——上传音频或视频,并从模型采集器中提取SenseVoice。
根据标准基准,SenseVoice人达到约5.5%的字错误率。 现实世界的准确性取决于音质、口音和语言;对于吵闹或口音录音,预期WER会高出几个百分点。
SenseVoice在STT.ai免费层运行——每个访客每个月可免费获得600分钟,付费计划增加了每个文件的篇幅、私人笔录和优先排队。
SenseVoice根据MIT号许可开放源码许可证发放。您可以通过自己的硬件自行托管SenseVoice,或者使用我们的托管版本,这两种版本都可以在商业上使用。
SenseVoice 支持 50 种语言。自动检测为大多数音频选择正确的语言;您也可以手动指定小精度升降。
SenseVoice 处理我们GPUs上大约50.0x的实时音频。 1小时的音频文件在1分钟内完成; 较长的文件排队, 完成后通过电子邮件通知 。
SenseVoice 具有 234M 参数。 大模型往往更准确,但更慢; STT.ai 主机在 GPU SenseVoice GPU 上, 所以参数计数不会影响您的客户端性能 。
SenseVoice 接受每种格式的 STT.ai 支持 - MP3、 WAV、 M4A、 FLAC、 OGG、 MP4、 MKV、 MOV、 WebM、 AVI 等。 输出为 TXT、 SRT、 VTT、 DOCX、 JSON 或 PDF 。
是的,议长对音响的对称与每部抄录的88 000次相加——每个发言者都贴上标签,然后可以在编辑中重新命名。
有88 000次运行在我们的管理环境中——音频被默认地处理和删除,在没有明确选择使用的情况下从不用于培训。
使用对比工具运行 SenseVoice 相对于同一音频上的其他支持模式, 您可以看到 WER 、 区段计数、 扬声标签和信任度, 并肩得分 。 最常用的比对是 SenseVoice vs Whiseper large V3 比较 。
是, 请指定“ sensevoice” 为 / v1/ trancant 端点上的模型参数。 Python 和 Node.js SDKs 包括 SenseVoice 个示例。 免费 API 级包括 100 分钟/ 月 。
是的,因为SenseVoice有MIT的许可证,你可以自行托管它。STT.ai的开放源码页面列出了项目回购和重量。大多数生产团队使用我们的主机版本来跳过GPU采购、模型互换和操作。