7 月 9 日消息,阿里云通義千問開源了兩款語音基座模型 SenseVoice(用于語音識別)和 CosyVoice(用于語音生成)。
SenseVoice 專注于高精度多語言語音識別,、情感辨識和音頻事件檢測,有以下特點:
多語言識別:采用超過 40 萬小時數(shù)據(jù)訓練,,支持超過 50 種語言,識別效果上優(yōu)于 Whisper 模型
富文本識別:具備優(yōu)秀的情感識別,能夠在測試數(shù)據(jù)上達到和超過目前最佳情感識別模型的效果;支持聲音事件檢測能力,,支持音樂、掌聲,、笑聲、哭聲,、咳嗽,、噴嚏等多種常見人機交互事件進行檢測
高效推理: SenseVoice-Small 模型采用非自回歸端到端框架,推理延遲極低,,10s 音頻推理僅耗時 70ms,,15 倍優(yōu)于 Whisper-Large
微調(diào)定制:具備便捷的微調(diào)腳本與策略,方便用戶根據(jù)業(yè)務(wù)場景修復長尾樣本問題
服務(wù)部署:具有完整的服務(wù)部署鏈路,,支持多并發(fā)請求,,支持的客戶端語言有 python、c++,、html,、java 與 c#等
與開源情感識別模型進行對比,SenseVoice-Large 模型可以在幾乎所有數(shù)據(jù)上都達到了最佳效果,而 SenseVoice-Small 模型同樣可以在多數(shù)數(shù)據(jù)集上取得超越其他開源模型的效果,。
CosyVoice 模型同樣支持多語言,、音色和情感控制,該模型在多語言語音,、零樣本語音生成,、跨語言語音克隆和指令跟隨等功能方面表現(xiàn)出色。
本站內(nèi)容除特別聲明的原創(chuàng)文章之外,,轉(zhuǎn)載內(nèi)容只為傳遞更多信息,,并不代表本網(wǎng)站贊同其觀點。轉(zhuǎn)載的所有的文章,、圖片,、音/視頻文件等資料的版權(quán)歸版權(quán)所有權(quán)人所有。本站采用的非本站原創(chuàng)文章及圖片等內(nèi)容無法一一聯(lián)系確認版權(quán)者,。如涉及作品內(nèi)容,、版權(quán)和其它問題,請及時通過電子郵件或電話通知我們,,以便迅速采取適當措施,,避免給雙方造成不必要的經(jīng)濟損失。聯(lián)系電話:010-82306118,;郵箱:[email protected],。