SenseVoice:具有音频理解能力的音频基础模型

共计 878 个字符，预计需要花费 3 分钟才能阅读完成。

这是一个多语言语音理解模型，具有以下特点和功能：

简介

• SenseVoice 是一个包含多种语音理解能力的语音基础模型，涵盖自动语音识别（ASR）、口语语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。

亮点

• 专注于高精度多语言语音识别、语音情感识别和音频事件检测。
• 支持超过50种语言，识别性能超越了Whisper模型。
• 具备出色的情感识别能力，并且在测试数据上达到了当前最佳情感识别模型的效能。
• 提供声音事件检测能力，支持检测多种常见的声音事件。
• 高效的推理能力，SenseVoice-Small模型使用非自回归端到端框架，推理延迟极低。
• 提供便捷的微调脚本和策略，便于用户根据业务场景解决长尾样本问题。
• 提供服务部署流程，支持多并发请求。

最新更新

• 2024年7月，开源了SenseVoice-Small语音理解模型，支持普通话、粤语、英语、日语和韩语的高精度多语言语音识别、情感识别和音频事件检测。
• 介绍了CosyVoice，这是一个自然语音生成工具，具有多语言、音色和情感控制功能。
• 介绍了FunASR，这是一个基础语音识别工具包，包含多种功能。

基准测试

• 在多语言语音识别方面，SenseVoice与Whisper在开源基准数据集上进行了性能比较。
• 在语音情感识别方面，由于缺乏广泛使用的基准和方法，SenseVoice在多个测试集上进行了评估，并与多个最新基准的结果进行了全面比较。
• 在音频事件检测方面，尽管SenseVoice仅在语音数据上训练，但仍然可以作为独立的事件检测模型。

计算效率

• SenseVoice-Small模型的推理速度非常快，比Whisper-Small快5倍，比Whisper-Large快15倍。

使用方法

• 提供了Python代码示例，展示如何使用SenseVoice模型进行推理。

微调

• 提供了微调的代码示例和数据准备指南。

该项目是一个开源项目，由FunAudioLLM组织维护，提供了丰富的文档和代码示例，以帮助用户使用和微调模型。