阿里开源的超低延迟多语种语音识别大模型,兼具富文本转录、情感检测与声音事件识别。
模型权重与推理代码全量开源在 GitHub 与 ModelScope,遵循 Apache 2.0 许可协议,支持无限制离线部署
SenseVoice 是由阿里巴巴通义实验室开源的高性能多语言语音理解基础大模型。其最大特色在于极速非自回归架构,音频转录推理延迟低至数十毫秒,处理数小时音频仅需几秒钟,推理速度较传统 Whisper 模型提升数倍。更突破性的是,SenseVoice 具备出色的“富文本感知(Rich Transcription)”能力:不仅能精准识别普通话、粤语、英语、日语、韩语等多种语言方言,还能在转写文本中高精度标注说话人情绪(如高兴、悲伤、愤怒、平静)以及背景音乐(BGM)、笑声、掌声、咳嗽声等丰富的声音事件,是开发本地实时字幕与会议智能分析工具的利器。