- 综合排序
- 最热优先
- 最新优先
SenseVoice使用记录
如上文所述，FunAudioLLM主要包括两大模型SenseVoice和CosyVoice。其中： SenseVoice：精准多语言识别与情感辨识。 我们重点关注SenseVoice。 架构 SenseVoice 是一个语音基础模型，具有多种语音理解功能，包括 ASR、LID、SER 和 AED。 为了适应不同的需求，提出了两种不同规模和架构的模型SenseVoice-Small和SenseVoice-Large。 SenseVoice安装部署 本文以Ubuntu 24.04.2 LTS系统为例 # 克隆代码 git clone https://github.com/FunAudioLLM/SenseVoice.git cd SenseVoice # 创建一个名为venv 的虚拟环境。
14010编辑于 2026-04-22- 来自专栏贾维斯Echo的博客
AI超强语音转文本SenseVoice，本地化部署教程！
模型介绍 SenseVoice专注于高精度多语言语音识别、情感辨识和音频事件检测 多语言识别： 采用超过40万小时数据训练，支持超过50种语言，识别效果上优于Whisper模型。 高效推理： SenseVoice-Small模型采用非自回归端到端框架，推理延迟极低，10s音频推理仅耗时70ms，15倍优于Whisper-Large。 SenseVoice在线预览链接 SenseVoice 在线预览：https://www.modelscope.cn/studios/iic/SenseVoice 本地化部署 这里使用autodl 机器学习平台 然后克隆项目，输入如下命令： git clone https://github.com/FunAudioLLM/SenseVoice.git 如果提示网络超时等，输入如下命令，完了重新拉取代码就好。 然后回到终端，进入SenseVoice目录。 cd SenseVoice/ 创建虚拟环境 # 创建一个名为venv 的虚拟环境。 python -m venv venv 接着激活虚拟环境。
9.5K12编辑于 2024-09-05 中文语音识别该用谁？6 个开源模型 + 2 个配套工具，一文理清
比如"用 SenseVoice 模型 + 通过 FunASR 接口调用 + 用 sherpa-onnx 部署到手机上"。下面先比模型，再讲怎么用、怎么部署。 SenseVoice-Small 的 70ms 测试设备未在仓库中标明。 四、功能对比：谁能做什么？ 是中文 ASR 端侧部署覆盖平台最广的方案，集成了 Paraformer 系列（多个变体）、SenseVoice 等中文模型，完全离线运行，不需要网络连接。 需要情感识别或音频事件检测SenseVoice-Small，一个模型同时完成 ASR + 情感 + 事件检测，且推理速度极快（70ms 处理 10 秒音频）。 需要部署到手机或嵌入式设备中文精度优先选 SenseVoice-Small 或 Paraformer，通过 sherpa-onnx 部署，平台覆盖最广。
2.8K10编辑于 2026-03-20- 来自专栏算法一只狗
“3秒克隆周杰伦声音”？普通人也能玩转AI换声，太疯了！
它无需任何样本即可完成声音克隆，框架主要包含CosyVoice和SenseVoice两个项目：SenseVoice：提供高精度多语言语音识别、情感识别和音频事件检测功能，支持超过50种语言，并实现极低延迟 此外，利用SenseVoice-Large和Paraformer生成伪标签，通过强制对齐模型进一步精炼数据，以确保数据的准确性和标点符号精度。
2.3K01编辑于 2025-05-07 FunASR：几行代码搞定语音识别全流程的开源工具包，GitHub已获15.2k Star！
项目自 2023 年开源以来持续更新，除自研的 Paraformer 系列外，还集成了通义实验室的 Fun-ASR-Nano（支持中文 7 种方言和 26 种地方口音）、SenseVoice 等外部模型 它不仅提供自研模型（Paraformer 系列），还集成了来自其他团队的模型（如通义实验室的 SenseVoice 和 Fun-ASR-Nano、OpenAI 的 Whisper、阿里云的 Qwen-Audio /Python/Java 等 10 种编程语言，覆盖 iOS/Android/Raspberry PiSenseVoice.cpp：基于 GGML 的纯 C/C++ 实现，支持 3/4/5/8 位量化SenseVoice 从 2023 年至今，FunASR 保持着稳定的更新节奏，从自研的 Paraformer 到集成通义实验室的 SenseVoice 和 Fun-ASR-Nano，工具包的模型覆盖和部署能力持续扩展。 FunASRFun-ASR 模型仓库：https://github.com/FunAudioLLM/Fun-ASRSenseVoice 模型仓库：https://github.com/FunAudioLLM/SenseVoice
2.4K41编辑于 2026-03-17每周AI论文速递（240708-240712）
其核心包括两个创新模型：SenseVoice，用于多语言语音识别、情感识别及音频事件检测；以及 CosyVoice，能够生成多语言、可控音色、说话风格和说话者身份的自然语音。 SenseVoice-Small 为 5 种语言提供极低延迟的自动语音识别（ASR），而 SenseVoice-Large 支持超过 50 种语言的高精度 ASR。 与 SenseVoice 和 CosyVoice 相关的模型已在 Modelscope 和 Huggingface 上开源，相应的训练、推理和微调代码也已在 GitHub 发布。
22000编辑于 2025-04-08- 来自专栏具身小站
智能语音对话系统技术方案
自部署ASR方案 模型 准确率 部署方式 优点 缺点 适合场景 Whisper (OpenAI) ~93–96% 本地部署 开源、多语言、中文好 实时性一般、算力要求高 对数据隐私要求高、自建呼叫中心 SenseVoice 高准确率+方言） 国外业务/多语言 Google Speech / AWS Transcribe 数据隐私要求高 Whisper / SenseVoice 预计成本：通话$0.005–0.01/分钟 + ASR/TTS自建 ≈ $0.01–0.03/分钟 部署时间：4–8周 方案四：自建全链路（高可控性） 架构：自建SIP服务器 → Whisper/SenseVoice
20810编辑于 2026-04-14 - 来自专栏机器之心
小红书语音识别新突破！开源FireRedASR，中文效果新SOTA
FireRedASR 也比 Qwen-Audio、SenseVoice、Whisper、Paraformer 取得了更优的 CER。
1.9K10编辑于 2025-02-10 硬刚谷歌Veo3！快手Klear统一多任务音视频联合生成：创新单塔架构，口型语音完美同步
数据工程：开发了一套自动化管道，包括视频/音频质量过滤、场景分割、人声/非人声分类以及多模型协作的稠密标注（使用 Whisper, SenseVoice, Qwen2.5-Omni 等工具）。 使用 Whisper-Large-v3、SenseVoice 和 Qwen2.5-Omni 进行转录，使用 Qwen2.5-Omni 和 Gemini 2.5-Pro 进行音频字幕，并使用视频专家模型进行详细视频标签
44710编辑于 2026-01-13- 来自专栏具身小站
具备情绪感知的，智能语音对话系统方案
Speech ~96% <300ms 120+语言 $0.006/15s 国外首选 2.1.2 选型建议 场景 推荐方案 快速上线、国内业务 讯飞听见 / 阿里云ASR 数据隐私要求高 Whisper / SenseVoice
18710编辑于 2026-04-14 - 来自专栏Nicky's blog
LazyLLM测评 | 基于LazyLLM Agent大模型搭建聊天机器人
例如，多模态场景中，可通过Switch将用户输入（文本/图片/音频）路由到对应模型（LLM聊天、InternVL图文问答、SenseVoice语音识别）。
42210编辑于 2025-12-17 - 来自专栏AI研思录
万字长文 | 让大模型“开口”说话：从ASR到端到端语音大模型的进化之旅
常见的语音识别库有：SenseVoice、Whisper等 从语音识别结果到回答文本的生成（LLM） 这里我们不再赘述NLP中的意图识别等环节了，统一介绍最新称霸江湖的NLP技术大模型。
4.7K23编辑于 2025-02-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号