资讯
近日消息，阿里云通义千问在语音技术领域取得了重要突破，宣布开源两大创新语音基座模型：SenseVoice 和 CosyVoice。其中，SenseVoice 主打高精准度的多语言语音识别、细腻的情感分析及丰富的音频事件辨别功能，展现了跨语言环境下的卓越识别能力，以及对复杂音频情境的深刻理解。
SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测，有以下特点：
多语言识别：采用超过 40 万小时数据训练，支持超过 50 种语言，识别效果上优于 Whisper 模型
富文本识别：具备优秀的情感识别，能够在测试数据上达到和超过目前最佳情感识别模型的效果；支持声音事件检测能力，支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测
高效推理： SenseVoice-Small 模型采用非自回归端到端框架，推理延迟极低，10s 音频推理仅耗时 70ms，15 倍优于 Whisper-Large
微调定制：具备便捷的微调脚本与策略，方便用户根据业务场景修复长尾样本问题
服务部署：具有完整的服务部署链路，支持多并发请求，支持的客户端语言有 python、c++、html、java 与 c#等
与开源情感识别模型进行对比，SenseVoice-Large 模型可以在几乎所有数据上都达到了最佳效果，而 SenseVoice-Small 模型同样可以在多数数据集上取得超越其他开源模型的效果。
CosyVoice 模型同样支持多语言、音色和情感控制，该模型在多语言语音、零样本语音生成、跨语言语音克隆和指令跟随等功能方面表现出色。
文明上网，理性发言，共同做网络文明传播者