7 月 9 日消息，阿里云通義千問(wèn)開(kāi)源了兩款語(yǔ)音基座模型 SenseVoice（用于語(yǔ)音識(shí)別）和 CosyVoice（用于語(yǔ)音生成）。

SenseVoice 專(zhuān)注于高精度多語(yǔ)言語(yǔ)音識(shí)別、情感辨識(shí)和音頻事件檢測(cè)，有以下特點(diǎn)：

多語(yǔ)言識(shí)別：采用超過(guò) 40 萬(wàn)小時(shí)數(shù)據(jù)訓(xùn)練，支持超過(guò) 50 種語(yǔ)言，識(shí)別效果上優(yōu)于 Whisper 模型

富文本識(shí)別：具備優(yōu)秀的情感識(shí)別，能夠在測(cè)試數(shù)據(jù)上達(dá)到和超過(guò)目前最佳情感識(shí)別模型的效果；支持聲音事件檢測(cè)能力，支持音樂(lè)、掌聲、笑聲、哭聲、咳嗽、噴嚏等多種常見(jiàn)人機(jī)交互事件進(jìn)行檢測(cè)

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(shí) 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(hù)根據(jù)業(yè)務(wù)場(chǎng)景修復(fù)長(zhǎng)尾樣本問(wèn)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(qǐng)求，支持的客戶(hù)端語(yǔ)言有 python、c++、html、java 與 c#等

與開(kāi)源情感識(shí)別模型進(jìn)行對(duì)比，SenseVoice-Large 模型可以在幾乎所有數(shù)據(jù)上都達(dá)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(kāi)源模型的效果。

CosyVoice 模型同樣支持多語(yǔ)言、音色和情感控制，該模型在多語(yǔ)言語(yǔ)音、零樣本語(yǔ)音生成、跨語(yǔ)言語(yǔ)音克隆和指令跟隨等功能方面表現(xiàn)出色。