SenseVoice，阿里上个月发布的超强语音转文本开源模型，还能识别情绪和声音事件。small的模型自回归结构速度很快。
我花了周末两天写了一个流式的websocket服务：用fsmn-vad做声音活动检测断句，用cam++做说话人确认（可选，在非安静环境收音，speaker verification非常有用，能够有效避免识别干扰，不过人声重叠的情况目前是一个挑战
），用SenseVoiceSmall做ASR，整体效果还是不错。
项目已开源：https://github.com/0x5446/api4sensevoice，对项目感兴趣的伙伴欢迎加我wx:3728284，我拉入群交流
