SenseVoice 中文转录指南：中日韩识别、速度与模型对比
SenseVoice Small 适合哪些中文、日文和韩文转录任务？本文解释语言覆盖、语音事件识别、真实性能测试和与 Whisper 的选择方法。
更新于
先看结论
- SenseVoice Small 面向多语言语音识别，并包含语言、情感和音频事件等能力。
- 公开速度倍数依赖硬件、框架和音频，不能直接等同于每台 Mac 的表现。
- 中文评测应使用字错误率，并单独检查数字、人名、夹杂英文与方言。
SenseVoice 解决的不是单一转写问题
SenseVoice 是 FunAudioLLM 推出的语音基础模型系列。Small 版本除了自动语音识别，还提供语言识别、情感识别与音频事件检测等能力。对中文、粤语、日语、韩语和英语混合内容，它提供了区别于通用 Whisper 的本地模型选择。
这些额外标签并不意味着它能可靠推断人的真实情绪或意图。笑声、掌声等声学事件可以帮助理解上下文，但涉及绩效、医疗或心理判断时，不应把模型标签当成事实。
如何公平比较 SenseVoice 与 Whisper
使用同一批原始音频、同一台设备和相近的量化精度，分别记录加载时间、纯推理时间、峰值内存和输出错误。第一次运行可能包含模型下载或编译，不能与已经预热的第二次运行直接比较。
中文采用 CER，并额外建立关键实体表。测试集至少包含安静普通话、远场会议、夹杂英文、数字金额、粤语或地方口音。模型 A 在干净播客中更快，不代表它在你的多人会议里也更准确。
Apple Silicon 上的速度从哪里来
Mac 本地推理可利用 CPU、GPU、统一内存以及适配框架。所谓“实时倍数”是音频时长除以处理时间：10 分钟音频用 1 分钟处理，就是约 10 倍实时。报告数字时必须同时说明芯片、内存、模型版本、量化和音频长度。
短音频更容易被模型加载时间影响，长音频更能体现持续吞吐；设备过热或同时运行其他 GPU 任务也会降低速度。因此应多次运行并报告中位数，而不是只选择最快一次。
什么时候优先选 SenseVoice
以中文、日文、韩文为主，且需要快速批量处理时，SenseVoice 值得进入候选；需要笑声、音乐等事件标签时也有额外价值。若音频覆盖更多语言、已有成熟 Whisper 工具链或需要语音翻译，则 Whisper 仍可能更合适。
实际应用可以按语言自动路由，但必须允许用户覆盖。自动语言检测会在短句、专有名词或中英混说时出错。保留模型名称和版本到转录元数据中，后续才能复现结果。
准确率与速度之外，还要检查什么
检查许可证是否适合你的用途、模型是否真的在本地运行、应用是否把日志或音频发送到外部，以及更新模型后结果是否可复现。对企业和研究使用，还要记录数据来源、人工复核责任和保留期限。
模型选择不是一次性决定。建立固定回归集，每次升级后比较关键实体错误、空白段幻觉、时间戳稳定性和耗电。只有在真实工作负载中持续更好，才值得设为默认。
常见问题
SenseVoice 支持哪些语言？
官方模型卡重点列出中文、粤语、英语、日语和韩语。具体应用支持还取决于所集成的模型版本与推理实现。
SenseVoice 一定比 Whisper 快吗？
不能一概而论。速度受硬件、推理框架、量化、音频长度和比较的 Whisper 尺寸影响，必须在同一环境测试。
SenseVoice 的情感标签可以用于判断员工或患者状态吗？
不应这样使用。声学情感分类存在偏差和上下文缺失，只能作为低风险辅助信号，不能替代人工判断。