语音识别SenseVoice大模型
产品简介
SenseVoice语音识别大模型专注于高精度多语言语音识别、情感辨识和音频事件检测，支持超过50种语言的识别，整体效果优于Whisper模型，中文与粤语识别准确率相对提升在50%以上。
产品优势
多语种识别：支持共计50+种语种的语音识别，尤其以中、英、日、韩、粤为重点支持语种，可通过language_hints参数选择语种获得更准确的识别效果，详见附录：支持语言列表。
情感识别
支持4种情绪的情感识别：包括生气（ANGRY）、高兴（HAPPY）、伤心（SAD）和中性（NEUTRAL），若识别结果中未出现上述情感，或返回结果中包含
<|SPECIAL_TOKEN_1|>，代表该语音中未检测到特定情绪。情感一般出现在识别结果最末端，以诸如今天天气好棒啊！<|HAPPY|>形式出现。音频事件检测：支持4种常见音频事件识别，包括掌声（Applause）、背景音乐（BGM）、笑声（Laughter）和说话声（Speech）。音频事件特殊符号包含起始与结束符两类，以掌声为例：假设识别结果为
<|Applause|>今天<|/Applause|>天气好棒啊！，<|Applause|>与<|/Applause|>分别代表掌声事件的起始与结束，整句话含义为在说“今天”两个字时，模型检测到了有掌声事件的存在。
功能特性
接入方式 |
|
定制热词 | 不支持 |
情感和事件识别 | 支持，可识别如下四种情绪和四种常见音频事件
|
敏感词过滤 | 不支持 |
语气词过滤 | 不支持 |
自动说话人分离 | 不支持 |
说话人数量参考 | 不支持 |
时间戳 | 支持，参见录音文件识别API详情，可以通过 |
流式输入 | 不支持 |
流式输出 | 不支持 |
识别本地文件 | 不支持，仅支持传入公网可访问的待识别文件URL |
标点符号预测 | 支持 |
待识别音频格式 | aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv |
待识别音频声道 | 不限 |
待识别音频采样率 | 任意 |
待识别音频大小 | 单次识别最多能指定100个文件URL，每个URL对应的录音文件大小应小于等于2GB，详见输入文件限制 |
语言 |
|
单价 | 2.52元/小时 |
免费额度 | 10小时/月 |
应用场景
呼叫中心语音质检
上传呼叫中心的录音文件，通过录音文件识别得到文本。
庭审数据库录入
上传庭审记录的录音文件，进行识别后，将识别文本录入数据库。
会议记录总结
对会议记录的音频文件进行识别，然后通过人工或者自动方法，对会议记录作出总结。
医院病历录入
手术时通过音频记录医生的操作，通过录音文件识别得到文本，提高病例录入效率。
更多应用场景
除上述场景外，SenseVoice还适用于各种需要语音识别的场景，为用户提供高效、准确的服务。
相关文档
您可以通过阅读以下文档了解更多：