阿里云通义千问开源两款语音基座模型，识别效果优于 OpenAI Whisper

7 月 9 日消息，阿里云通义千问开源了两款语音基座模型 SenseVoice（用于语音识别）和 CosyVoice（用于语音生成）。TfU28资讯网——每日最新资讯28at.com

TfU28资讯网——每日最新资讯28at.com

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：TfU28资讯网——每日最新资讯28at.com

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TfU28资讯网——每日最新资讯28at.com

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TfU28资讯网——每日最新资讯28at.com

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-LargeTfU28资讯网——每日最新资讯28at.com

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TfU28资讯网——每日最新资讯28at.com

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TfU28资讯网——每日最新资讯28at.com

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。TfU28资讯网——每日最新资讯28at.com

TfU28资讯网——每日最新资讯28at.com

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。TfU28资讯网——每日最新资讯28at.com

附相关链接：TfU28资讯网——每日最新资讯28at.com

SenseVoice：https://github.com/FunAudioLLM/SenseVoiceTfU28资讯网——每日最新资讯28at.com

CosyVoice：https://github.com/FunAudioLLM/CosyVoiceTfU28资讯网——每日最新资讯28at.com

本文链接：http://www.28at.com/showinfo-45-5094-0.html阿里云通义千问开源两款语音基座模型，识别效果优于 OpenAI Whisper

声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com

上一篇： “国内首款破局性 AI 开发工具”，中国电信发布星辰软件工厂：产品文档生成代码

下一篇： 振兴乡村发展 助力青少年教育 中国三星连续十一年蝉联企业社会责任榜外企第一