作者实测之后觉得效果还是很不错的，所以推荐给大家！大家可以先听一下这生成的语音效果如何！ 采用 Dual-Track 混合架构，端到端延迟低至 97ms，支持单字符输入后即开始输出，适合实时交互场景。 通过自然语言指令控制音色、情感、韵律，支持丰富的情感表达 ...

SenseVoice是具有音频理解能力的音频基础模型，包括语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）或声学事件检测（AED）。本项目提供SenseVoice模型的介绍以及在多个任务测试集上的benchmark，以及体验模型所需的环境安装的与推理方式 ...