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。
情感识别：支持四种情感的识别：生气（ANGRY）、高兴（HAPPY）、伤心（SAD）和中性（NEUTRAL）。
事件识别：支持四种常见的事件识别：掌声（Applause）、背景音乐（BGM）、笑声（Laughter）和说话声（Speech）。
功能特性
接入方式 | Python、Java、RESTful |
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 |
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 |
语言 |
|
单价 | 2.52元/小时 |
免费额度 | 10小时/月，详情参见新人免费额度 |
应用场景
语音文件处理
呼叫中心语音质检
上传呼叫中心录音文件，通过语音识别生成文本，进行违规话术、敏感词检测，确保服务质量。
庭审数据库录入
上传庭审录音文件，识别生成文本后录入数据库，便于后续查询和管理。
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。
除上述场景外，SenseVoice还适用于更多录音文件识别的场景，为用户提供高效、准确的服务。
API详情
SenseVoice语音识别提供的录音文件识别API，能够对常见的音视频文件进行语音识别，并将结果返回给调用者。
不同编程语言的SDK/API在参数命名规则、接口调用方式上存在差异，请根据实际编程语言参阅对应文档：
Java：Java API
Python：Python API
其他编程语言：RESTful API
相关文档
- 本页导读 （1）
- 产品简介
- 产品优势
- 功能特性
- 应用场景
- API详情
- 相关文档
