阿里巴巴近期发布了开源语音大模型项目FunAudioLLM，该项目包含了两个核心模型：SenseVoice和CosyVoice。可以精准多语言识别并且进行语音克隆
本地一键包下载地址：
SenseVoice - 精准多语言语音识别与情感辨识模型 本地一键整合包下载
SenseVoice：精准多语言识别与情感辨识
SenseVoice主要致力于高精度多语言语音识别、情感辨识和音频事件检测，经过40万小时数据训练，支持超过50种语言的识别，其效果显著优于现有的Whisper模型，尤其在中文和粤语识别上提升超过50%。该模型不仅能够准确识别语音，还能辨别音乐、掌声、笑声、哭声、咳嗽和喷嚏等常见人机交互事件。多方面的测试显示，SenseVoice在情感辨识能力上也取得了行业领先的成果，能够检测到多种情感表现。
CosyVoice 这里就不多介绍，可以参考之前发布的一键包，CosyVoice一键包点此进入
本地测试了多轮音频，识别能力还是挺棒的，相比Whisper，SenseVoice的中文识别能力更胜一筹，精准度也更高。
使用也很简单，下载一键包，双击一键启动，进入WebUI界面
上传一段需要识别的音频，点开始即可