本文へスキップ

SenseVoiceSmall

認識・言語・感情・イベントを扱う音声モデル

公式サイトを見る

SenseVoiceSmall とは

本モデルは自動音声認識、話し言葉の言語識別、音声感情認識、音声イベント検出など複数の音声理解能力を備えた音声基盤モデルと紹介されている。 小型版は非自己回帰のエンドツーエンドの枠組みを採り、40 万時間超のデータで学習し 50 超の言語に対応すると説明されている。

できること

  • 音声を認識して文章に変換する
  • 音声に含まれる言語を識別する
  • 音声に込められた感情を認識する
  • 背景音楽や拍手、笑い声などの音声イベントを検出する

モデルについて

  • 40 万時間超のデータで学習済み
  • 50 超の言語への対応
  • 小型版は 10 秒の音声を 70 ミリ秒で処理
  • 資料は Whisper-Large の 15 倍の速さと説明

導入の手順

  • 必要なライブラリと依存を導入する(funasr)
  • モデル読み込みと後処理の関数を読み込む(AutoModel、rich_transcription_postprocess)
  • モデルのパスと装置を設定しモデルを初期化する
  • 生成の呼び出しに音声ファイルのパスと言語の引数を渡す(generate)

長所と短所

✓ 良い点

  • 微調整のスクリプトと方針が用意される
  • 複数同時リクエストに対応する配備の仕組み
  • 利用者側の言語に Python、C++、HTML、Java、C# が挙がる

! 注意したい点

  • 70 ミリ秒の数値は小型版が 10 秒の音声を処理する場合のもの
  • 認識は資料に記されたモデルと配備の仕組みを通して提供される
  • 音声イベント検出は背景音楽・拍手・笑い声を挙げる

よくある質問

どんな能力が挙がる?

自動音声認識、話し言葉の言語識別、音声感情認識、音声イベント検出。

小型版の速さは?

資料は 10 秒の音声に 70 ミリ秒、Whisper-Large の 15 倍と説明。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法