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，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）。

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。