SenseVoice 多语言语音识别实战5 分钟搭好 5 语种语音助手的完整指南【免费下载链接】SenseVoiceOpen-source SenseVoiceSmall model for Mandarin, Cantonese, English, Japanese, and Korean ASR, language ID, emotion recognition, and audio event detection.项目地址: https://gitcode.com/gh_mirrors/se/SenseVoice跨境客服与多语言字幕为什么需要一套多语言语音识别方案跨境客服接到一通粤语电话、跨国会议要实时出字幕、播客上线前想自动标注笑声和 BGM——这些场景的共同点是一段音频进去要同时拿到转写文本、语种、说话人情绪和背景事件而不是串起来四个独立模型分别跑。开源项目 SenseVoice 就是为此设计的多语言语音识别方案一段音频丢进去它同时吐出转写文本、语种、情感和事件标签一次前向全部搞定。先看全局把整条链路装进脑子里再逐节展开。SenseVoice 架构一图读懂一段音频同时产出 4 类标签SenseVoiceSmall 采用非自回归端到端架构音频经前端处理后送入 SAN-M 编码器234M 参数编码器前面拼接 4 个查询 token分别代表语种、事件、情感、文本规范化四个任务一次前向同时产出四类标签再走 CTC 解码得到转写文本。非自回归意味着不用逐 token 生成所以推理延迟极低。 一句话小结不用逐个模型拼——LID、SER、AED 是同一次 ASR 前向的副产品这正是它低延迟的根因。全局清楚了下面先把最小 demo 跑起来5 分钟出结果。 SenseVoice 快速上手3 条命令跑通多语言语音识别环境准备只需一条pip install -r requirements.txt核心依赖torch2.12.1、funasr1.3.26、fastapi0.111.1首次运行会自动下载 iic/SenseVoiceSmall 权重。git clone https://gitcode.com/gh_mirrors/se/SenseVoice cd SenseVoice pip install -r requirements.txt最短可运行识别代码如下也可直接跑仓库里的demo1.py效果相同from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess model AutoModel( modeliic/SenseVoiceSmall, trust_remote_codeTrue, remote_code./model.py, vad_modelfsmn-vad, devicecuda:0, ) res model.generate(inputaudio.wav, languageauto, use_itnTrue) print(rich_transcription_postprocess(res[0][text]))几个最常调的参数一张表说清参数作用常用值language指定语种auto 为自动检测auto / zh / en / yue / ja / kouse_itn输出是否带标点与逆文本规范化Truevad_model长音频自动分段fsmn-vadbatch_size_s动态批处理的音频总时长秒60merge_vad / merge_length_s是否合并 VAD 短片段及合并长度True / 15不想写代码的话python webui.py启动 Gradio 界面上传音频或直接用麦克风右侧自带中、粤、英、日、韩及情感样例 一句话小结clone → pip install → 13 行代码languageauto时模型自己判断语种你只管收文本。跑通之后我们把四大能力逐个拆开看看各自怎么落地。四大能力拆解多语种 ASR、LID、SER 与 AED 小案例ASR 多语种识别中、粤、英、日、韩 5 语种实测开源的 SenseVoiceSmall checkpoint 覆盖中文、粤语、英语、日语、韩语更广的 SenseVoice 研究系列覆盖 50 语种但注意区分研究范围与已发布权重。非自回归架构下3 秒音频端到端延迟仅 63ms比 Whisper-Small 快 5 倍以上、比 Whisper-Large 快 15 倍且在中文、粤语识别上有明显优势。小案例直接运行python demo1.py它会依次识别 example 目录下 zh/en/yue/ja/ko 五段示例音频并逐条打印就是最省事的五语种实测脚本。LID 语种识别languageauto 怎么判断不指定语种时模型把检测到的语种以|zh|、|en|这类前缀标签输出升级到 funasr 1.3.27 后OpenAI 兼容接口还会在verbose_json.language里直接返回检测到的 zh/en/yue/ja/ko。小案例一段中英混合的会议录音设languageauto输出里的语种前缀就是检测结果可以直接写进字幕条的当前语言角标。SER 语音情感识别实战7 种情绪标签怎么读情感标签有 7 类HAPPY高兴、SAD悲伤、ANGRY愤怒、NEUTRAL中性、FEARFUL恐惧、DISGUSTED厌恶、SURPRISED惊讶标签附在转写文本末尾ban_emo_unk参数可控制是否屏蔽未知情感标签。在未微调目标数据的情况下SenseVoice 的情感识别已达到并超过多个开源 SOTA 模型。小案例智能客服里把 ANGRY 设为告警条件连续几句命中就转人工仓库webui.py内置 emo_1~emo_3 三段样例结果末尾会带对应表情符号可直接听效果。AED 音频事件检测8 类事件标签事件标签有 8 类BGM背景音乐、Speech语音、Applause掌声、Laughter笑声、Cry哭声、Sneeze喷嚏、Breath呼吸、Cough咳嗽标签附在文本开头。小案例播客后期——一条 20 分钟音频跑完|Laughter|、|BGM|标签标在对应片段开头直接据此做高光剪辑或 BGM 分段不用再人工听一遍。一句话小结四类能力来自同一次前向你的工程成本只是怎么读标签而不是再训三个模型。能力拆完接下来是生产化的问题多人怎么用、延迟够不够、没 GPU 怎么办。从 Demo 到生产SenseVoice 部署与高并发加速落地配方第一步先给团队看效果。本地跑python webui.py就是可交互的演示环境麦克风、文件上传、语种下拉框全齐。第二步给业务方调接口。仓库自带的api.py是 FastAPI 服务支持多文件并发上传内部自动完成 16kHz 重采样和单声道转换/api/v1/asr返回 raw_text、clean_text 和后处理文本三个字段方便你按场景取用。# 本地可视化体验Gradio python webui.py # 上线 FastAPI 服务api.py 已内置 16kHz 重采样与单声道处理 export SENSEVOICE_DEVICEcuda:0 fastapi run --port 50000第三步延迟扛不住先确认你开的是非自回归路径——3s/5s/10s 音频延迟分别为 63/67/70ms本身已足够低吞吐不够再上动态批处理batch_size_s60按秒数攒批或 ONNX INT8 量化demo_onnx.py中quantizeTrueGPU 集群高 QPS 场景社区有 Triton TensorRT 实践V100 上实测加速比达 526。第四步没有 GPU 的机器走runtime/llama.cpp/的 GGUF 路线q8 量化后整个模型约 254MB单个 C 二进制跑 CPU内置 VAD运行时无需 Python。第五步行业术语总错用finetune.sh微调数据是 JSONL 格式参考data/train_example.jsonl缺语种/情感/事件标注时可用sensevoice2jsonl工具让模型自动补标。场景方案入口无 GPU 边缘端GGUF q8 量化约 254MBCPU 可跑runtime/llama.cpp/服务侧提速ONNX INT8 量化quantizeTruedemo_onnx.py / export.py高并发 GPU 集群Triton TensorRTV100 加速比 526FunASR 三方部署环境一致性Docker / Docker Compose 一键起Dockerfile / docker-compose.yaml 一句话小结从单机 demo 到集群服务项目内建了三条路径webui → FastAPI → 量化/GGUF按流量和硬件选一条即可。生产路上还有几个新手必踩的坑提前说清楚能省你半天。避坑清单16kHz 采样率等 5 个新手必踩的坑⚠️坑 1识别结果全乱或全空——采样率不是 16kHz。模型只认 16kHz 单声道webui.py和api.py已内置重采样但自己调m.inference传原始音频时必须先转 16k 单声道GGUF 路线的 WAV 同样要求 16k PCM16。坑 2CUDA out of memory——显存不足。换devicecpu或 q8 GGUF254MB上纯 CPU短音频场景还可以去掉 VAD、调小batch_size省显存。坑 3auto 语种检测失灵。开源 checkpoint 只覆盖 zh/yue/en/ja/ko 五语种其他语种会被归到最近的语种或 nospeech这不是 bug 是覆盖范围——业务语种明确时直接指定language更稳。坑 4输出里混着|zh||NEUTRAL|标签。原始输出带语种/情感/事件前缀标签必须经rich_transcription_postprocess清洗后再入库展示ban_emo_unkTrue可关掉未知情感标签。坑 5长音频直接推理被截断。m.inference单次输入限 30 秒以内超过 30 秒的长音频请走AutoModel fsmn-vad 路径max_single_segment_time30000控制单段上限链路自动分段再拼接。一句话小结90% 的报错来自采样率和输入时长先查这两处再查别的。坑都排掉了最后给一份今天就能动手的清单。下一步清单把 SenseVoice 用起来的 4 个具体动作今天跑通python demo1.py或webui.py拿到五语种的第一批识别结果。本周用api.py起 FastAPI 服务接一个真实业务请求客服录音质检或字幕生成均可。本月收集 100 条业务 badcase 音频按data/train_example.jsonl格式整理试跑一次finetune.sh验证术语提升。边缘场景评估runtime/llama.cpp/的 GGUF 方案确认 CPU 机器的吞吐与延迟预算。完成这四步你就从跑过 demo走到了线上可用。多语言语音识别的下一段路交给你的业务数据。【免费下载链接】SenseVoiceOpen-source SenseVoiceSmall model for Mandarin, Cantonese, English, Japanese, and Korean ASR, language ID, emotion recognition, and audio event detection.项目地址: https://gitcode.com/gh_mirrors/se/SenseVoice创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 SenseVoice 多语言语音识别实战：5 分钟搭好 5 语种语音助手的完整指南
SenseVoice 多语言语音识别实战5 分钟搭好 5 语种语音助手的完整指南【免费下载链接】SenseVoiceOpen-source SenseVoiceSmall model for Mandarin, Cantonese, English, Japanese, and Korean ASR, language ID, emotion recognition, and audio event detection.项目地址: https://gitcode.com/gh_mirrors/se/SenseVoice跨境客服与多语言字幕为什么需要一套多语言语音识别方案跨境客服接到一通粤语电话、跨国会议要实时出字幕、播客上线前想自动标注笑声和 BGM——这些场景的共同点是一段音频进去要同时拿到转写文本、语种、说话人情绪和背景事件而不是串起来四个独立模型分别跑。开源项目 SenseVoice 就是为此设计的多语言语音识别方案一段音频丢进去它同时吐出转写文本、语种、情感和事件标签一次前向全部搞定。先看全局把整条链路装进脑子里再逐节展开。SenseVoice 架构一图读懂一段音频同时产出 4 类标签SenseVoiceSmall 采用非自回归端到端架构音频经前端处理后送入 SAN-M 编码器234M 参数编码器前面拼接 4 个查询 token分别代表语种、事件、情感、文本规范化四个任务一次前向同时产出四类标签再走 CTC 解码得到转写文本。非自回归意味着不用逐 token 生成所以推理延迟极低。 一句话小结不用逐个模型拼——LID、SER、AED 是同一次 ASR 前向的副产品这正是它低延迟的根因。全局清楚了下面先把最小 demo 跑起来5 分钟出结果。 SenseVoice 快速上手3 条命令跑通多语言语音识别环境准备只需一条pip install -r requirements.txt核心依赖torch2.12.1、funasr1.3.26、fastapi0.111.1首次运行会自动下载 iic/SenseVoiceSmall 权重。git clone https://gitcode.com/gh_mirrors/se/SenseVoice cd SenseVoice pip install -r requirements.txt最短可运行识别代码如下也可直接跑仓库里的demo1.py效果相同from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess model AutoModel( modeliic/SenseVoiceSmall, trust_remote_codeTrue, remote_code./model.py, vad_modelfsmn-vad, devicecuda:0, ) res model.generate(inputaudio.wav, languageauto, use_itnTrue) print(rich_transcription_postprocess(res[0][text]))几个最常调的参数一张表说清参数作用常用值language指定语种auto 为自动检测auto / zh / en / yue / ja / kouse_itn输出是否带标点与逆文本规范化Truevad_model长音频自动分段fsmn-vadbatch_size_s动态批处理的音频总时长秒60merge_vad / merge_length_s是否合并 VAD 短片段及合并长度True / 15不想写代码的话python webui.py启动 Gradio 界面上传音频或直接用麦克风右侧自带中、粤、英、日、韩及情感样例 一句话小结clone → pip install → 13 行代码languageauto时模型自己判断语种你只管收文本。跑通之后我们把四大能力逐个拆开看看各自怎么落地。四大能力拆解多语种 ASR、LID、SER 与 AED 小案例ASR 多语种识别中、粤、英、日、韩 5 语种实测开源的 SenseVoiceSmall checkpoint 覆盖中文、粤语、英语、日语、韩语更广的 SenseVoice 研究系列覆盖 50 语种但注意区分研究范围与已发布权重。非自回归架构下3 秒音频端到端延迟仅 63ms比 Whisper-Small 快 5 倍以上、比 Whisper-Large 快 15 倍且在中文、粤语识别上有明显优势。小案例直接运行python demo1.py它会依次识别 example 目录下 zh/en/yue/ja/ko 五段示例音频并逐条打印就是最省事的五语种实测脚本。LID 语种识别languageauto 怎么判断不指定语种时模型把检测到的语种以|zh|、|en|这类前缀标签输出升级到 funasr 1.3.27 后OpenAI 兼容接口还会在verbose_json.language里直接返回检测到的 zh/en/yue/ja/ko。小案例一段中英混合的会议录音设languageauto输出里的语种前缀就是检测结果可以直接写进字幕条的当前语言角标。SER 语音情感识别实战7 种情绪标签怎么读情感标签有 7 类HAPPY高兴、SAD悲伤、ANGRY愤怒、NEUTRAL中性、FEARFUL恐惧、DISGUSTED厌恶、SURPRISED惊讶标签附在转写文本末尾ban_emo_unk参数可控制是否屏蔽未知情感标签。在未微调目标数据的情况下SenseVoice 的情感识别已达到并超过多个开源 SOTA 模型。小案例智能客服里把 ANGRY 设为告警条件连续几句命中就转人工仓库webui.py内置 emo_1~emo_3 三段样例结果末尾会带对应表情符号可直接听效果。AED 音频事件检测8 类事件标签事件标签有 8 类BGM背景音乐、Speech语音、Applause掌声、Laughter笑声、Cry哭声、Sneeze喷嚏、Breath呼吸、Cough咳嗽标签附在文本开头。小案例播客后期——一条 20 分钟音频跑完|Laughter|、|BGM|标签标在对应片段开头直接据此做高光剪辑或 BGM 分段不用再人工听一遍。一句话小结四类能力来自同一次前向你的工程成本只是怎么读标签而不是再训三个模型。能力拆完接下来是生产化的问题多人怎么用、延迟够不够、没 GPU 怎么办。从 Demo 到生产SenseVoice 部署与高并发加速落地配方第一步先给团队看效果。本地跑python webui.py就是可交互的演示环境麦克风、文件上传、语种下拉框全齐。第二步给业务方调接口。仓库自带的api.py是 FastAPI 服务支持多文件并发上传内部自动完成 16kHz 重采样和单声道转换/api/v1/asr返回 raw_text、clean_text 和后处理文本三个字段方便你按场景取用。# 本地可视化体验Gradio python webui.py # 上线 FastAPI 服务api.py 已内置 16kHz 重采样与单声道处理 export SENSEVOICE_DEVICEcuda:0 fastapi run --port 50000第三步延迟扛不住先确认你开的是非自回归路径——3s/5s/10s 音频延迟分别为 63/67/70ms本身已足够低吞吐不够再上动态批处理batch_size_s60按秒数攒批或 ONNX INT8 量化demo_onnx.py中quantizeTrueGPU 集群高 QPS 场景社区有 Triton TensorRT 实践V100 上实测加速比达 526。第四步没有 GPU 的机器走runtime/llama.cpp/的 GGUF 路线q8 量化后整个模型约 254MB单个 C 二进制跑 CPU内置 VAD运行时无需 Python。第五步行业术语总错用finetune.sh微调数据是 JSONL 格式参考data/train_example.jsonl缺语种/情感/事件标注时可用sensevoice2jsonl工具让模型自动补标。场景方案入口无 GPU 边缘端GGUF q8 量化约 254MBCPU 可跑runtime/llama.cpp/服务侧提速ONNX INT8 量化quantizeTruedemo_onnx.py / export.py高并发 GPU 集群Triton TensorRTV100 加速比 526FunASR 三方部署环境一致性Docker / Docker Compose 一键起Dockerfile / docker-compose.yaml 一句话小结从单机 demo 到集群服务项目内建了三条路径webui → FastAPI → 量化/GGUF按流量和硬件选一条即可。生产路上还有几个新手必踩的坑提前说清楚能省你半天。避坑清单16kHz 采样率等 5 个新手必踩的坑⚠️坑 1识别结果全乱或全空——采样率不是 16kHz。模型只认 16kHz 单声道webui.py和api.py已内置重采样但自己调m.inference传原始音频时必须先转 16k 单声道GGUF 路线的 WAV 同样要求 16k PCM16。坑 2CUDA out of memory——显存不足。换devicecpu或 q8 GGUF254MB上纯 CPU短音频场景还可以去掉 VAD、调小batch_size省显存。坑 3auto 语种检测失灵。开源 checkpoint 只覆盖 zh/yue/en/ja/ko 五语种其他语种会被归到最近的语种或 nospeech这不是 bug 是覆盖范围——业务语种明确时直接指定language更稳。坑 4输出里混着|zh||NEUTRAL|标签。原始输出带语种/情感/事件前缀标签必须经rich_transcription_postprocess清洗后再入库展示ban_emo_unkTrue可关掉未知情感标签。坑 5长音频直接推理被截断。m.inference单次输入限 30 秒以内超过 30 秒的长音频请走AutoModel fsmn-vad 路径max_single_segment_time30000控制单段上限链路自动分段再拼接。一句话小结90% 的报错来自采样率和输入时长先查这两处再查别的。坑都排掉了最后给一份今天就能动手的清单。下一步清单把 SenseVoice 用起来的 4 个具体动作今天跑通python demo1.py或webui.py拿到五语种的第一批识别结果。本周用api.py起 FastAPI 服务接一个真实业务请求客服录音质检或字幕生成均可。本月收集 100 条业务 badcase 音频按data/train_example.jsonl格式整理试跑一次finetune.sh验证术语提升。边缘场景评估runtime/llama.cpp/的 GGUF 方案确认 CPU 机器的吞吐与延迟预算。完成这四步你就从跑过 demo走到了线上可用。多语言语音识别的下一段路交给你的业务数据。【免费下载链接】SenseVoiceOpen-source SenseVoiceSmall model for Mandarin, Cantonese, English, Japanese, and Korean ASR, language ID, emotion recognition, and audio event detection.项目地址: https://gitcode.com/gh_mirrors/se/SenseVoice创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考