SenseVoice

「简体中文」|「English」|「日本語」

SenseVoice 是具有音频理解能力的音频基础模型，包括语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）或声学事件检测（AED）。本项目提供 SenseVoice 模型的介绍以及在多个任务测试集上的 benchmark，以及体验模型所需的环境安装的与推理方式。

已发布 checkpoint 范围： SenseVoiceSmall 支持中文、粤语、英文、日文和韩文的 ASR 与语种识别，并输出情感和音频事件标签。说话人分离是 FunASR 组合独立 FSMN-VAD 与 CAM++ 的 pipeline 能力，并非 SenseVoiceSmall checkpoint 本身的输出。

核心功能 🎯

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。

• 研究范围与已发布 checkpoint： 更广泛的 SenseVoice 研究描述采用超过 40 万小时数据训练并覆盖 50 多种语言；当前公开的 SenseVoiceSmall checkpoint 支持中文、粤语、英文、日文和韩文，下面的 benchmark 对比仅对应所列任务与语种。
• 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： SenseVoiceSmall 采用非自回归端到端框架，具有低延迟推理能力；具体测试条件与速度对比见下方 benchmark。
• 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，支持客户端语言有，python、c++、html、java 与 c# 等。

最新动态 🔥

• 2026/07：FunASR 1.3.29 恢复 SenseVoice 的 VAD 分段时间戳 — 当模型没有 token 时间戳且未配置标点模型时，sentence_timestamp=True 现在会通过 sentence_info 返回每个 VAD 语音区域，让字幕与智能剪辑客户端获得可用的分段边界，而不再收到空时间线。安装命令：pip install -U "funasr==1.3.29"。发布说明 · PyPI
• 2026/07：FunASR 1.3.27 为 SenseVoice 增加检测语种元数据 — OpenAI 兼容接口现在会在 verbose_json.language 中返回检测到的 zh、en、yue、ja 或 ko。安装命令：pip install -U "funasr==1.3.27"。发布说明 · 接口指南 · PyPI
• 2026/06: SenseVoice 支持 llama.cpp / GGUF，可在 CPU/边缘端以单个自包含二进制运行（类似 whisper.cpp），内置 VAD，运行时无需 Python。q8 模型约 254 MB，精度保持一致。runtime/llama.cpp/ · Releases · Hugging Face GGUF
• 2026/05: FunASR 可将 SenseVoiceSmall 与独立的 FSMN-VAD、CAM++ 和标点模型组合，生成逐句说话人标签；说话人分离并非 SenseVoiceSmall checkpoint 的原生输出。需从源码安装 FunASR：pip install git+https://github.com/modelscope/FunASR.git
• 2024/7：新增加导出 ONNX 与 libtorch 功能，以及 python 版本 runtime：funasr-onnx-0.4.0，funasr-torch-0.1.1
• 2024/7: SenseVoice-Small 多语言音频理解模型开源，支持中、粤、英、日、韩语的多语言语音识别，情感识别和事件检测能力，具有极低的推理延迟。。
• 2024/7: CosyVoice 致力于自然语音生成，支持多语言、音色和情感控制，擅长多语言语音生成、零样本语音生成、跨语言语音克隆以及遵循指令的能力。CosyVoice repo and CosyVoice 在线体验.
• 2024/7: FunASR 是一个基础语音识别工具包，提供多种功能，包括语音识别（ASR）、语音端点检测（VAD）、标点恢复、语言模型、说话人验证、说话人分离和多人对话语音识别等。

性能评测 📝

多语言语音识别

我们在开源基准数据集（包括 AISHELL-1、AISHELL-2、Wenetspeech、Librispeech 和 Common Voice）上比较了 SenseVoice 与 Whisper 的多语言语音识别性能和推理效率。在中文和粤语识别效果上，SenseVoice-Small 模型具有明显的效果优势。

情感识别

由于目前缺乏被广泛使用的情感识别测试指标和方法，我们在多个测试集的多种指标进行测试，并与近年来 Benchmark 上的多个结果进行了全面的对比。所选取的测试集同时包含中文 / 英文两种语言以及表演、影视剧、自然对话等多种风格的数据，在不进行目标数据微调的前提下，SenseVoice 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。

同时，我们还在测试集上对多个开源情感识别模型进行对比，结果表明，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。

事件检测

尽管 SenseVoice 只在语音数据上进行训练，它仍然可以作为事件检测模型进行单独使用。我们在环境音分类 ESC-50 数据集上与目前业内广泛使用的 BEATS 与 PANN 模型的效果进行了对比。SenseVoice 模型能够在这些任务上取得较好的效果，但受限于训练数据与训练方式，其事件分类效果专业的事件检测模型相比仍然有一定的差距。

推理效率

在下图所示 benchmark 设置中，SenseVoiceSmall 采用非自回归端到端架构；在参数量与 Whisper-Small 相当的情况下，其推理速度比 Whisper-Small 快 5 倍以上，比 Whisper-Large 快 15 倍。

安装依赖环境 🐍

pip install -r requirements.txt

SenseVoiceSmall 示例与 FunASR 组合说话人分离路径需要 funasr>=1.3.26。如果你之前已经安装过本仓库，请先执行 pip install -U "funasr>=1.3.26"，再重新运行 demo。

用法 🛠️

推理

使用 funasr 推理

支持常见格式音频输入。长录音必须先分段再送入编码器；下例使用 FSMN-VAD 完成分段。

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model_dir = "iic/SenseVoiceSmall"


model = AutoModel(
    model=model_dir,
    trust_remote_code=True,
    remote_code="./model.py",  
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)

# en
res = model.generate(
    input=f"{model.model_path}/example/en.mp3",
    cache={},
    language="auto",  # "zh", "en", "yue", "ja", "ko", "nospeech"
    use_itn=True,
    batch_size_s=60,
    merge_vad=True,
    merge_length_s=15,
)
text = rich_transcription_postprocess(res[0]["text"])
print(text)

不使用 VAD 的长音频推理

把一小时波形直接传给一次 model.generate 会使编码器内存远大于音频文件本身。 当业务不能接受 VAD 时，可使用有界内存参考脚本。它通过 ffmpeg 解码，以默认 30 秒 窗口和 2 秒重叠调用 SenseVoice，并且不会配置 VAD 模型：

python long_audio_no_vad.py meeting.mp3 \
  --output meeting.txt \
  --window-seconds 30 \
  --overlap-seconds 2

合并文本只删除相邻窗口边界处完全相同的重复文字。meeting.chunks.jsonl 会保留每个 窗口的原始模型输出和窗口偏移，因此不匹配的内容不会被静默丢弃；传入 --no-dedupe 可连完全匹配的去重也关闭。窗口偏移是输入窗口边界，并非逐词时间戳。此路径避免把 整段录音送入编码器造成 OOM，但固定切点仍可能影响边界附近的识别；业务允许按内容 分段时，仍推荐使用上面的 VAD pipeline。

如果输入均为短音频（小于 30s），并且需要批量化推理，为了加快推理效率，可以移除 vad 模型，并设置 batch_size

model = AutoModel(model=model_dir, trust_remote_code=True, device="cuda:0")

res = model.generate(
    input=f"{model.model_path}/example/en.mp3",
    cache={},
    language="auto", # "zh", "en", "yue", "ja", "ko", "nospeech"
    use_itn=True,
    batch_size=64, 
)

更多详细用法，请参考 文档

直接推理

支持任意格式音频输入，输入音频时长限制在 30s 以下

from model import SenseVoiceSmall
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model_dir = "iic/SenseVoiceSmall"
m, kwargs = SenseVoiceSmall.from_pretrained(model=model_dir, device="cuda:0")
m.eval()

res = m.inference(
    data_in=f"{kwargs ['model_path']}/example/en.mp3",
    language="auto", # "zh", "en", "yue", "ja", "ko", "nospeech"
    use_itn=False,
    ban_emo_unk=False,
    **kwargs,
)

text = rich_transcription_postprocess(res [0][0]["text"])
print(text)

服务部署

Undo

导出与测试

# pip3 install -U funasr funasr-onnx
from pathlib import Path
from funasr_onnx import SenseVoiceSmall
from funasr_onnx.utils.postprocess_utils import rich_transcription_postprocess


model_dir = "iic/SenseVoiceSmall"

model = SenseVoiceSmall(model_dir, batch_size=10, quantize=True)

# inference
wav_or_scp = ["{}/.cache/modelscope/hub/{}/example/en.mp3".format(Path.home(), model_dir)]

res = model(wav_or_scp, language="auto", use_itn=True)
print([rich_transcription_postprocess(i) for i in res])

from pathlib import Path
from funasr_torch import SenseVoiceSmall
from funasr_torch.utils.postprocess_utils import rich_transcription_postprocess


model_dir = "iic/SenseVoiceSmall"

model = SenseVoiceSmall(model_dir, batch_size=10, device="cuda:0")

wav_or_scp = ["{}/.cache/modelscope/hub/{}/example/en.mp3".format(Path.home(), model_dir)]

res = model(wav_or_scp, language="auto", use_itn=True)
print([rich_transcription_postprocess (i) for i in res])

CPU/边缘端运行：llama.cpp / GGUF（无需 GPU，无需 Python）

SenseVoice 可以作为单个自包含二进制运行。这个路径类似 Whisper 的 whisper.cpp，但在中文与粤语场景下更适合 SenseVoice；运行时内置 FSMN-VAD，无需 Python 环境。

bash runtime/llama.cpp/download-funasr-model.sh sensevoice ./gguf
llama-funasr-sensevoice -m ./gguf/sensevoice-small-f16.gguf --vad ./gguf/fsmn-vad.gguf -a audio.wav

预编译二进制： Releases · 下载与快速开始： funasr.com/llama-cpp · GGUF 模型： Hugging Face · 文档与 benchmark： runtime/llama.cpp/

部署

使用 FastAPI 部署

export SENSEVOICE_DEVICE=cuda:0
fastapi run --port 50000

使用 Docker 构建

docker build -t sensevoice .

构建工作流也会发布 ghcr.io/qwenaudio/sensevoice，但该容器包当前为 private，匿名拉取会返回 HTTP 401。在容器包页面 显示 Public 之前，请使用上面的本地构建。

运行（GPU，默认）

docker run --rm --gpus all -p 50000:50000 -v sensevoice-models:/models sensevoice

运行（仅 CPU）

docker run --rm -e SENSEVOICE_DEVICE=cpu -p 50000:50000 -v sensevoice-models:/models sensevoice

容器健康后访问 http://127.0.0.1:50000/docs。

微调

安装训练环境

git clone https://github.com/modelscope/FunASR.git && cd FunASR
pip3 install -e ./

数据准备

数据格式需要包括如下几个字段：

{"key": "YOU0000008470_S0000238_punc_itn", "text_language": "<|en|>", "emo_target": "<|NEUTRAL|>", "event_target": "<|Speech|>", "with_or_wo_itn": "<|withitn|>", "target": "Including legal due diligence, subscription agreement, negotiation.", "source": "/cpfs01/shared/Group-speech/beinian.lzr/data/industrial_data/english_all/audio/YOU0000008470_S0000238.wav", "target_len": 7, "source_len": 140}
{"key": "AUD0000001556_S0007580", "text_language": "<|en|>", "emo_target": "<|NEUTRAL|>", "event_target": "<|Speech|>", "with_or_wo_itn": "<|woitn|>", "target": "there is a tendency to identify the self or take interest in what one has got used to", "source": "/cpfs01/shared/Group-speech/beinian.lzr/data/industrial_data/english_all/audio/AUD0000001556_S0007580.wav", "target_len": 18, "source_len": 360}

详细可以参考：data/train_example.jsonl

BAC009S0764W0121 甚至出现交易几乎停滞的情况
BAC009S0916W0489 湖北一公司以员工名义贷款数十员工负债千万
asr_example_cn_en 所有只要处理 data 不管你是做 machine learning 做 deep learning 做 data analytics 做 data science 也好 scientist 也好通通都要都做的基本功啊那 again 先先对有一些 > 也许对
ID0012W0014 he tried to think how it could be

BAC009S0764W0121 https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/BAC009S0764W0121.wav
BAC009S0916W0489 https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/BAC009S0916W0489.wav
asr_example_cn_en https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_cn_en.wav
ID0012W0014 https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_en.wav

BAC009S0764W0121 <|zh|>
BAC009S0916W0489 <|zh|>
asr_example_cn_en <|zh|>
ID0012W0014 <|en|>

BAC009S0764W0121 <|NEUTRAL|>
BAC009S0916W0489 <|NEUTRAL|>
asr_example_cn_en <|NEUTRAL|>
ID0012W0014 <|NEUTRAL|>

BAC009S0764W0121 <|Speech|>
BAC009S0916W0489 <|Speech|>
asr_example_cn_en <|Speech|>
ID0012W0014 <|Speech|>

# generate train.jsonl and val.jsonl from wav.scp, text.txt, text_language.txt, emo_target.txt, event_target.txt
sensevoice2jsonl \
++scp_file_list='["../../../data/list/train_wav.scp", "../../../data/list/train_text.txt", "../../../data/list/train_text_language.txt", "../../../data/list/train_emo.txt", "../../../data/list/train_event.txt"]' \
++data_type_list='["source", "target", "text_language", "emo_target", "event_target"]' \
++jsonl_file_out="../../../data/list/train.jsonl"

# generate train.jsonl and val.jsonl from wav.scp and text.txt
sensevoice2jsonl \
++scp_file_list='["../../../data/list/train_wav.scp", "../../../data/list/train_text.txt"]' \
++data_type_list='["source", "target"]' \
++jsonl_file_out="../../../data/list/train.jsonl" \
++model_dir='iic/SenseVoiceSmall'

启动训练

注意修改 finetune.sh 中 train_tool 为你前面安装 FunASR 路径中 funasr/bin/train_ds.py 绝对路径

bash finetune.sh

WebUI

python webui.py

优秀三方工作

• Triton（GPU）部署最佳实践，triton + tensorrt，fp32 测试，V100 GPU 上加速比 526，fp16 支持中，repo
• sherpa-onnx 部署最佳实践，支持在 10 种编程语言里面使用 SenseVoice, 即 C++, C, Python, C#, Go, Swift, Kotlin, Java, JavaScript, Dart. 支持在 iOS, Android, Raspberry Pi 等平台使用 SenseVoice，repo
• Orca 已通过 sherpa-onnx 集成 SenseVoice 本地离线语音识别，支持在 macOS、Linux 和 Windows 上自动识别中文、英文、日文、韩文和粤语。该集成已在 #7436 合并，当前可通过 v1.4.159-rc.1 预发布版 使用；Orca v1.4.158 稳定版发布早于本次集成。
• SenseVoice.cpp 基于GGML，在纯C/C++中推断SenseVoice，支持3位、4位、5位、8位量化等，无需第三方依赖。
• 流式SenseVoice，通过分块（chunk）的方式进行推理，为了实现伪流式处理，采用了截断注意力机制（truncated attention），牺牲了部分精度。此外，该技术还支持CTC前缀束搜索（CTC prefix beam search）以及热词增强功能。
• OmniSenseVoice 轻量化推理库，支持batch推理。
• SenseVoice Hotword，神经网络热词增强，WeNet 中开源基于 CPPN 的神经网络热词增强。

许可证

• 本仓库源码采用 MIT License。
• 模型权重单独发布，并以各模型卡标注的条款为准。官方 SenseVoiceSmall 模型卡 链接至 FunASR 模型开源协议；其他制品和转换版本可能标注不同条款，使用前请核对对应模型卡。
• 维护者已针对 FunASR 模型开源协议 v1.1 发布 SenseVoiceSmall 官方许可澄清：遵守模型协议时，允许商业使用官方 SenseVoiceSmall 权重；第 3 节属于责任和风险免责声明，不构成额外的“禁止商用”限制；微调后的衍生权重可以保持私有。使用、复制、修改或分享模型时，仍需遵守第 2.2 节的署名和模型名称要求。此澄清仅适用于官方权重，第三方转换版本和打包制品仍需分别核对其条款。

联系我们

如果您在使用中遇到问题，可以直接在 github 页面提 Issues。欢迎语音兴趣爱好者扫描以下的钉钉群二维码加入社区群，进行交流和讨论。

FunASR