产品概述
SenseVoice是阿里通义实验室FunAudioLLM框架下的多语言音频基础模型，专注于高精度的语音识别、情感识别和音频事件检测。它经过超40万小时数据训练，支持50多种语言，在中文和粤语等语种上表现尤为出色。不仅如此，SenseVoice还能混合语言处理、控制音色和情感，在零样本语音生成、跨语言克隆和指令跟随方面也展现出强大能力。
核心优势
- **全能音频理解**：同时搞定语音识别（ASR）、语种识别（LID）、情感识别（SER）和事件检测（AED），能识别bgm、掌声、笑声、咳嗽等常见人机交互事件，真正实现“听声识意”。
- **极速推理**：SenseVoice-Small采用非自回归端到端架构，处理10秒音频仅需70毫秒，比Whisper-Large快15倍，适合实时场景。
- **易用可扩展**：提供便捷的微调脚本和服务部署管道，支持Python、C++、Java、C#等多种客户端，轻松应对业务长尾问题。
适用场景
- 语音翻译与多语言交互
- 情感语音聊天机器人
- 互动播客与有声读物朗读
- 语音助手的事件感知（如检测笑声、掌声等）
- 跨语言语音克隆与生成